网球造型 网球建模资料库,用于我的硕士论文。 特别感谢Stratagem公司( )。 Stratagem的网球建模项目启发了该项目。 此项目中使用的某些功能是从其存储库中复制的。 在使用Stratagem代码的文件中,您可以在页面顶部找到“(c)Stratagem”。
2024-02-05 19:21:09 8.91MB Python
1
网球大满贯数据 tennis.csv
2024-02-05 16:38:19 5KB 数据集
1
网球预测 实施论文“机器学习预测职业网球比赛”(Sipko,2015年)。 计划 首先,我们需要数据,即有关锦标赛(仅ATP),球员和比赛的信息,以及每项的详细统计信息。 最好的来源是Oncourt数据库,您可以从他们的网站下载该数据库。 否则,您可以使用JeffSackmann的数据,该数据非常好,但缺少赢家,无人为错误,净进场和发球速度。 关于投注数据,我们使用tennis-data.co.uk提供的赔率。 接下来,我们需要解析数据; 换句话说,我们将.csv文件读入程序,并将数据存储在一些自定义类中( Tournament , Player , Match , Set , Statistics )。 在程序中获取数据后,现在我们需要产生所需的功能。 在此步骤中,我们遵循了该论文,该论文基本上建议为每个玩家取两个按时间和表面加权的平均值,然后减去它们。 我们还实现了常见的对手模型。
2022-01-10 14:36:06 4.66MB C#
1
项目3:合作与竞争 介绍 在这种环境下,两名特工控制球拍在球网上弹跳球。 如果探员将球击中网,则得到+0.1的奖励。 如果探员让一个球击中地面或越界将球击中,则其收益为-0.01。 因此,每个特工的目标是保持比赛中的球权。 观察空间由8个变量组成,分别对应于球和球拍的位置和速度。 每个代理都会收到自己的本地观察结果。 有两个连续的动作可用,分别对应于朝向(或远离)网络的运动和跳跃。 下图显示了最终的奖励进度。 环境在1820集中得到解决 算法: 为了解决此环境,我实现了Multi-DDPG算法。 实现的功能如下: 每个特工都有独立的演员和评论家 集中培训:每个代理的批评者不仅将自己的演员的行为和状态作为输入,而且还将所有其他代理的状态和行为作为输入。 由于在测试过程中仅使用参与者,并且参与者仅取决于相应参与者的状态,因此代理可以自由地学习自己的奖励结构。 下图[来源: :
2021-06-09 20:21:22 45.93MB reinforcement-learning robotics tennis agents
1
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
2021-06-06 22:22:44 21.98MB 系统开源
1
这是我用windows api写的一个打网球的小游戏,初学者可以借鉴一下。
2021-05-24 13:24:18 6.12MB windows api tennis game
1
-电视游戏网球- 即将推出... 去做 硬件设计 显示面板,球拍和球 视频芯片 运动控制器 球的位置 驾驶显示器 代表球速度 反映球 内部存储器 运动计算 检测球何时到达边缘 将球弹回蝙蝠 计分比赛 设计总结 将游戏与CdM-8平台对接 软件 建议的设计进度 进行中 硬件设计视频子系统 完毕
2021-04-01 18:10:25 11KB
1