文件名称：TTNet-Real-time-Analysis-System-for-Table-Tennis-Pytorch:“ TTNet”的非正式实施
文件大小：21.98MB
文件格式：ZIP
更新时间：2024-03-31 13:00:16
系统开源
TTNet-Pytorch 论文“ TTNet：乒乓球的实时时空视频分析”的实现可以在找到该项目的简介 演示版 1.特点 球检测全球舞台 检球局部阶段（细化） 事件发现检测（跳动和净匹配） 语义细分（人，表和记分板） 启用/禁用TTNet模型中的模块 平滑标记事件发现 TensorboardX （更新2020.06.23） ：训练更快，在单个GPU（GTX1080Ti）的推理阶段达到> 120 FPS 。 （更新2020.07.03） ：该实现可以与TTNet论文中报告的结果取得比较结果。 （更新2020.07.06） ：TTNet Paper有几个限制（提示：损失函数，输入大小以及另外2个）。 我已经用新方法和新模型实施了该任务。 现在，新模型可以实现： > 130FPS推论， 细分任务的IoU得分约为0.96 球检测任务的均方根误差（RMSE） < 4像
【文件预览】：
TTNet-Real-time-Analysis-System-for-Table-Tennis-Pytorch-master
----.gitignore(2KB)
----src()
--------train_3rd_phase.sh(426B)
--------train.sh(1KB)
--------test_3rd_phase.sh(268B)
--------models()
--------train_2nd_phase.sh(493B)
--------losses()
--------utils()
--------config()
--------test.py(11KB)
--------data_process()
--------demo.py(5KB)
--------train_1st_phase.sh(329B)
--------main.py(12KB)
--------demo.sh(357B)
----prepare_dataset()
--------extract_all_images.py(2KB)
--------extract_selected_images.py(3KB)
--------download_dataset.py(2KB)
--------README.md(3KB)
--------extract_smooth_labellings.py(3KB)
--------unzip.py(575B)
----requirement.txt(153B)
----README.md(13KB)
----docs()
--------architecture.PNG(134KB)
--------input_tensor.PNG(277KB)
--------NMDUNG_TTNet_review.pdf(1.52MB)
--------demo.gif(20.23MB)