没有合适的资源?快使用搜索试试~ 我知道了~
⃝可在www.sciencedirect.com上在线获取ScienceDirectICTExpress 8(2022)65www.elsevier.com/locate/icte结合迁移学习和门控递归单元的足球视频动作分类Anik Sena,b,Kaushik Deba,a孟加拉国Chattogram 4349吉大港工程技术大学计算机科学工程系b孟加拉国第一大学计算机科学工程系,Chattogram 4000接收日期:2020年7月27日;接收日期:2021年3月9日;接受日期:2021年3月10日2021年3月26日网上发售摘要从足球视频中提取知识有着巨大的应用,如基于上下文的广告,基于内容的视频检索,比赛摘要和亮点提取。重叠的足球动作和不受控制的视频捕获条件使其具有挑战性来准确地探测动作为了克服这些问题,卷积神经网络和递归神经网络相结合,用于分类不同长度的足球动作。首先,从预训练的VGG网络中进行迁移学习,提取特征空间特征。然后,门控递归单元处理时间依赖性,并解决消失梯度问题。最后,softmax层为每个类分配十进制概率实验结果揭示了所提出的架构的意义c2021韩国通信和信息科学研究所(KICS)。出版社:Elsevier B.V.这是一个开放的访问CC BY-NC-ND许可证下的文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。关键词:卷积神经网络(CNN);门控递归单元(GRU);递归神经网络(RNN);迁移学习1. 介绍尽管人们对视频分类进行了大量的研究,但这一领域仍然面临着许多新的挑战。近年来,基于体育的工作在研究者中越来越流行。在所有类型的运动中,足球是全球最受欢迎和观看的运动之然而,在我们的知识中,只有少数作品致力于足球,它可以在计算机视觉领域有广泛的应用例如,我们的工作可以与一些自然语言处理(NLP)模型相结合,以生成基于人工智能(AI)的自动,无偏见和盲目的评论系统。此外,为了消除像自动足球精彩场面生成和自动比赛总结这样的手动繁琐任务,需要检测重要的足球动作并相应地对其进行分类在接下来的部分中,我们将通过基于足球的体育动作来阐述视频分类。此外,根据[1],可以看出,超过84%的球迷观看过去的世界杯或其他足球比赛,∗ 通讯作者。电子邮件地址: debkaushik99@cuet.ac.bd(K. Deb)。同行评审由韩国通信和信息科学研究所(KICS)负责https://doi.org/10.1016/j.icte.2021.03.004YouTube.由于不同的足球动作之间的重叠场景,正确的动作分类是一个艰巨的任务。目前,只有少数作品致力于去踢足球在目前的作品中,数据集还没有达到这个规模,许多重要的动作都被忽略了。然而,自动分类各种足球动作对广播公司有很高的商业影响。上述事实和深度学习算法的巨大成就激励我们进行这项工作。为了概述我们工作的中心讲义,我们考虑了10个足球动作角球,犯规,任意球,球门球,长传,点球,短传,射门,换人和掷界外球,并开发了一个新的数据集,称为SoccerAct10。为了结合空间特征和时间特征,我们抓住了CNN和RNN的优势。在持续的趋势中,研究人员密集使用深度神经网络,因为它推动了许多手工设计过程的边界与足球相关的研究可以进一步分类。在[2]中执行了从足球中检索视频以生成精彩部分。运动目标检测是通过运动强度来实现的。对于音频信息提取,使用短时能量和语音分量。在[3]中,引入了一个用于总结足球视频的框架,该框架允许通过电影特征进行实时事件检测。2405-9595/2021韩国通信和信息科学研究所(KICS)。出版社:Elsevier B.V.这是一个开放的访问CC BY-NC-ND许可证下的文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。A. Sen和K. DebICT Express 8(2022)6566∑∑ˆ在[4]中提出了从微小的足球视频集合中进行事件检测。将均值-梯度特征与镜头边界检测相结合。此外,低,中级特征描述符被送入基于MKL的SVM分类器。然而,[5]中的一项研究证明,softmax分类器可以实现比SVM分类器更好的性能在文献[6]中,将足球的4种不同动作,特别是射门、定位球、界外球和球门球,进行了分类。使用仅包含20个视频作为训练和5个视频作为测试的小数据集进行3重交叉验证。建议的SVM字符串核为基础的模型达到73%的平均精度。在[7]中,一种用于检测足球视频中的目标的方法,也结合了音频线索。然而,这项工作为更多的改进铺平了道路。在文献[8]中,将足球比赛中的3种群体动作,即左侧进攻(LA)、左侧防守(LD)和相持(ST)进行了分类。该方法对LD和ST的准确率相对较低,为83.87%。在[9]中,足球动作分为4种:球门踢,定位踢,射门和掷界外球。使用词袋(BoW),主导运动和长短期记忆(LSTM),可以达到92%的准确率。然而,在一项比较BoW和CNN性能的研究中,基于CNN的方法比BoW获得更高的准确性[10]。这项工作的贡献如下:(i) 开发了一个具有可变长度视频的自定义数据集(ii) 提出了一种对固定数量的来自可变长度视频的帧图1.一、S A C 建议架构的工作流程。图二、S A C 的VGG-GRU网络架构。对每一帧应用相同的图层。GRU层随后堆叠。Dropout与GRU一起添加,以防止过拟合。表1中描述了密集层和GRU层的隐藏单元的各种配置。最后,softmax激活函数如等式2所示。使用公式(1),它将不同类别的概率归一化,使其总和为1。ezj(iii) 实现了深度学习算法,即CNN,GRU克服了传统的限制,σ(z)j=kk=1 ezk f或j = 1,. . . ,k(1)特征提取方法此外,为了克服流行的线性分类器SVM的局限性,我们使用了softmax分类器(iv) 进行严格的实验以找到最佳架构,并最终设计了一种混合CNN-GRU架构,该架构可以考虑不同的捕获条件(例如,拍摄拐角时相机角度的突然改变)和重叠的子图案(例如,任意球和角球的球员向球门柱移动的情况相似)2. 提出的足球动作分类(SAC)架构序列数据是从可变长度的视频中生成的。然后,序列数据被送入CNN(VGG),提取的特征被传递到GRU。GRU的输出被传递到softmax,并预测类的级别。开发SAC架构的步骤如图所示。1.一、2.1. 网络架构从不同长度的视频中,使用VGG提取特征。这些提取的特征通过ReLU激活传递到完全连接的层。然后,堆叠平坦化层。时间分布包装器封装了上述层随机梯度下降(SGD)优化器具有0.0001的学习率和0.9的动量在整个实验中使用。这些超参数是使用网格搜索选择的。这里使用了ModelCheckpoint和EarlyStopping回调。前者保存最佳权重,后者如果连续5个epoch的验证损失没有改善,则停止训练。我们使用如等式中定义的分类交叉熵损失函数。(二)、KL(yi,y) =−yilog(yi)( 2)i=1这里,K是类的总数,yi是期望的一个热编码向量,并且yi是模型预测的输出向量。在反向传播过程中,梯度开始通过损失函数相对于softmax层输出的导数反向传播。初始批量为5,并在以下范围内改变该值-在恢复训练的同时,从1到8。组合的VGG-GRU架构在图中突出显示。 二、2.2. 可变长度视频到序列生成在处理视频时,处理奇数帧是一项具有挑战性的任务。主动作可以在任何视频部分;它可以在开始部分、中间部分或结束部分。因此,当考虑帧时,要这样做,使得整个视频的帧都被考虑在内。A. Sen和K. DebICT Express 8(2022)6567←←←←←←++← ÷←=××≈≈表1我们建议的网络的网络配置和准确性模型预训练模型可训练层(不包括完全连接)TimeDistributedDense图层中的隐藏单位GRU层中的隐藏单元(丢弃)总可训练参数培 训 准确率(%)F1-评分(%)型号-1VGG16没有一25632(0.4)5,28,04297.1188.00型号-2VGG16所有204884(0.6)2,40,45,11899.9793.00Model-3VGG16最后451264(0.4)89,28,07410092.00型号-4VGG16最后851264(0.5)1,48,27,85099.9894.00型号-5VGG19没有一102464(0.4)36,84,17097.2085.00型号-6VGG19所有51264(0.4)2,18,73,03499.9094.00Model-7VGG19最后4204896(0.5)1,75,96,13899.7492.00Model-8VGG19最后8204872(0.5)2,23,038,5899.9793.00Model-9Xception最后451232(0.25)16,492,12296.6777.00Model-10InceptionV3决赛951232(0.25)8,553,86698.9784.00在我们的工作中,我们接受了这个挑战,并提出了一个算法,产生一个固定的序列长度从奇数个视频帧。算法中概述了这些步骤1.一、外部循环对目录中的所有文件执行。让我们考虑文件的总数为n。直到第4行的循环,算法将在恒定时间内执行指令。内部循环考虑视频文件的每个2D RGB帧。考虑到帧的最高数量为m,该算法使用一些层的堆叠,即卷积层、池化层、平坦层和全连接层。卷积运算是用一些滤波器执行的,从而产生卷积的特征图。池化通过减小图像的空间大小来减小参数。初始过滤器通常暴露低级别的特征,如颜色,纹理和线条,而下游层检测更复杂的模式,这些模式显然描述了图像。权重的更新方式与多层感知器类似(MLP)。算法1:可变长度的视频序列生成。输入:seqlen,其中seqlen<是视频.输出:数据和标签1data[],labels[];2 对于每个视频文件,3f帧计算文件中的总帧数;标签获取视频文件的标签;x round(f rame count seqlen);count0,publicintfindDuplicate [];/* 将count和i初始化为0。对于每一帧,计数将递增。如果选择了帧我将被增加。*/文件中的每帧4个,5f rame←读取f rame值;/*下面的条件检查是否要选择当前帧。*/6如果count mod x 0和i seqlen<,则7将f rame附加到f rames;i;端89count++;//每帧递增10端部11data.append(frames),labels.append(labels);12端部2.3. CNN和迁移学习CNN是多层感知器的一个版本,旨在自动从图像中提取空间特征。它已经在计算机视觉领域取得了巨大的成功。执行该特征提取过程深度神经网络必须使用大量数据进行训练才能获得高精度。然而,对于特定领域的问题,管理这个注释良好的庞大数据集有时会变得具有挑战性[11]。迁移学习指的是从一个问题中获取知识并应用于另一个问题的过程。最近,许多研究人员正在使用迁移学习,而不是从头开始设计整个网络。它还提供了或者重新训练所有的权重。通过层冻结技术,可以停止特定层的权重更新。预先训练的模型,已经在像ImageNet这样的大规模数据集上训练过,为数据集大小还不够好的另一个问题提供了一个很好的 起 点 。 几 种 预 训 练 的 CNN 模 型 是 最 广 泛 使 用 的 。VGG,ResNet,Inception值得一提。通过一些初始实验,可 以 观 察 到 VGG 比 其 他 预 训 练 模 型 ( 即 Xception 和InceptionV3)产生了相对较高的准确性,如表1所示。因此,来自深度VGG模型的迁移学习被用于我们SAC的特定任务。VGG使用步长为1的非常小(3 3)的卷积滤波器。最大池化是在一个2 × 2像素的窗口上执行的,步幅为2。我们使用了两个版本的VGG,VGG16和VGG19,分别具有138 M参数和143 M参数。2.4. 门控复发单位对于视频分类,它需要时间特征以及空间特征。对于时间特征,已经提出了各种RNN。然而,由于梯度因此,LSTM [14]后来被提出,这证明了A. Sen和K. DebICT Express 8(2022)6568∗×其在维持长时间依赖性方面的有效性。我们在工作中使用GRU [15],因为这个网络甚至是LSTM的简化版本,它可以使用更少的参数实现与LSTM使用更新门、复位更新门决定了要传递到未来的先前知识的数量。重置门决定了被遗忘的先验知识的数量。使用当前存储器门,它通过将先前的隐藏状态与当前输入相结合来计算当前状态值。更新门、复位门、当前存储器状态和最终存储器的等式在等式中给出。(3),方程。(4),Eq. (5)、Eq. (6)分别:zt=σ(Wz·[ht−1,xt]+bz)(3)rt=σ(Wr·[ht−1,xt]+br)(4)ht=tanh(W·[rtht−1,xt]+b)(5)ht=(1−zt)ht−1+ztht(6)这里,Wz、Wr和W是可学习的权重矩阵,ht−1是前一个隐藏状态,xt是输入向量,σ和tanh是sigmoid和tanh激活函数,表示Hadamard乘积,bz、br和b是偏置。3. 实验结果和讨论实 验 是 在 AMD 锐 龙 7 2700X 八 核 3.7 GHz 处 理 器 与Ubuntu 18.04操作系统,32 GB RAM,NVIDIA GEFORCERTX2060 SUPER的8 GB GPU内存。使用了使用Ten- sorFlow后端的Keras。我们从世界杯,亚足联亚洲杯,欧洲足联,美洲杯,英超联赛,意大利甲级联赛,德甲联赛和西班牙西甲联赛的不同事件中提取了数据集视频剪辑。我们的自定义数据集,称为SoccerAct10,由总共3110个训练视频组成,最低的250个犯规视频,最高的250个犯规视频。375个进球视频除了训练集之外,还为不同游戏生成了另外500个视频,测试设置,以消除偏见。视频范围从最小1.0 s到最大7.8 s对训练集应用增强技术,即缩 放、 旋 转 和水 平 翻 转。 整 个 数据 集 的平 均 帧 数为74.95。标准差为26。图图3(a)每个班级100个样本,我们进行了一次实验-使用VGG16网络来选择最佳序列长度。此外,从5到15的几乎所有序列长度提供超过90%的验证准确度。此外,对于长度为10的序列,该模型以96.57%的验证准确率取得了最佳效果。因此,考虑将序列长度10用于进一步研究。150 150像素的帧大小被认为是通过所有的实验。我们进行了各种实验以确定最佳模型。首先,对于每个模型,VGG16和VGG19的所有致密层都是图3.第三章。( a)角球,(b)犯规,(c)任意球,(d)球门球,(e)长传,(f)点球,(g)短传,(h)射门得分,(i)换人,(j)掷界外球。掉了然后对各种配置进行测试,以确定最佳配置。一些最佳配置如表1所示。在模型1和模型5中,层冻结分别应用于VGG16和VGG19的所有层。Model-2和Model-6是通过使所有VGG 16和VGG 19层都可训练而得到的。Model-3和Model-7保持最后4个VGG 16和VGG 19可训练。模型4和模型8分别通过冻结除VGG16和VGG19的最后8层之外的所有层来执行Model-9从预训练的Xception模型的中间层(block 4 sepconv 2 act)获取输出Model-10从预训练的InceptionV 3模型的中间层(平均池化2d 4)获取输出,并使最终9层可训练。通过分析数据,我们发现Xception和InceptionV3模型的迁移学习比基于VGG的模型提供了更低的准确性。因此,我们受到启发,通过更详细地微调基于VGG的模型来为SAC获得最佳架构。A. Sen和K. DebICT Express 8(2022)6569我们使用网格搜索来确定最佳优化器和学习率。从SGD,Adam和RMSprop优化器来看,学习率为0.0001的SGD给出了最好的结果。0.9 momentum与SGD优化器一起使用。ReLU激活函数用于TimeDistributed Dense层,它产生了比tanh和sigmoid更好的结果。F1评分分析被认为是评估模型性能,因为它考虑了假阳性和假阴性样本。Model-4和Model-6都提供了94%的准确度,在这两个模型中,Model-4是最好的,因为它产生的可训练参数相对较少。为了进一步研究,两个最佳模型的VGG配置都保持不变。然后进行了两种实验:一种是保持TimeDistributed稠密层的隐层单元为512,改变GRU隐层单元,如图所示;图4(a)示出了一种方法,另一种方法是保持GRU隐藏单元为64,同时改变TimeDistributed密集层中的隐藏单元,如图4(b)所示。无论哪种方式,我们都可以得出结论,我们的Model-4和Model-6为我们提供了SAC的最佳架构。最好的2个模型,模型-4和模型-6的混淆矩阵在图1和图2中描绘。5(a)和5(b)。我们的神经网络由CNN和RNN组成。我们没有从头开始构建CNN,而是利用预训练的VGG模型,该模型从视频帧中提取主要的空间特征。在像ImageNet这样的大规模数据集上进行训练,迁移学习模型使我们能够处理相对较小的数据集。然而,从视频中检测动作,空间特征是不够的。它还需要跟踪整个视频中发生的变化。考虑到这一事实,我们采用了GRU,这是RNN的一个更简单的版本,它跟踪视频帧此外,它解决了我们架构的消失梯度问题,并且与LSTM(RNN的另一个版本)相比具有更少的可训练参数最佳模型性能如图所示。六、 从这个图中,直到前5个时期,测试准确度大于训练准确度,这意味着最初,测试集包含相对更容易预测的数据。随着训练精度的提高,测试精度逐渐提高。在第25个epoch之后,测试精度增长非 常 缓 慢 , 这 表 明 剩 余 的 测 试 样 本 很 难 预 测 。EarlyStopping回调,连续5个epoch监测测试损失没有改善,在第50个epoch停止训练。我们再次恢复该过程,保存最佳模型以检查是否可以进一步提高准确性。尽管有更好的准确性,但由于周围玩家的遮挡,一些动作被错误分类。与[9](即BoW,主导运动,基于LSTM的方法)和[16](即基于CNN-GRU的架构)相比,我们最佳调整的模型-4[16]中使用的架构没有VGG那么深入,我们的数据集的准确率非常低,只有32%。因此,我们可以得出结论,对于SAC,我们提出的见图4。 F1-针对(a)GRU层中的隐藏单元,(b)TimeDistributed密集层中的隐藏单元的分数图。表2与其他作品的精度比较参考数据集大小精度[9]100百分之九十二[16个]300百分之三十二我们提出的架构3610百分之九十四[9]中提出的模型只处理4个足球动作,而我们的工作考虑了10个足球动作。如果在[9]中增加动作或视频的数量,则可能会由于重叠的类似动作而导致准确度值下降。或者,可能会修改架构加入新的视频[16]中提出的架构对我们的数据集的准确性非常低。[16]的架构很浅,这可能导致这种低精度值。通过增加模型的深度,我们可以期望提高数据集的准确性。4. 结论在本文中,我们提出了混合VGG-GRU架构分类10个不同的足球动作。据我们所知,这是在一篇论文中分类的最多的不同足球被称为SoccerAct10的新数据集由各种照明条件、各种相机角度、连续移动相机和重叠图案组成。考虑不同长度的视频,并且根据经验确定序列长度。我们利用预训练的VGG模型进行特征提取。GRU合并视频的时间特征,并消除消失A. Sen和K. DebICT Express 8(2022)6570图五、( a)模型4,(b)模型6的混淆矩阵。图六、第 1次提前停止后模型-4的性能。梯度问题进行了各种实验来确定层和隐藏单元。我们的实验结果表明,VGG-GRU为基础的方法优于其他现有的模型,达到最高的94%的准确率。然而,本文做了一些扩展,额外的检查。通过缩放数据集,包括更复杂的场景动作,可以进一步最小化该错误检测率。我们致力于包括更多的足球行动。此外,另一个即将到来的挑战将考虑观众突然出现在主要行动之间。我们还计划更详细地探索其他迁移学习模型,如Inception、Resnet、Mobilenet和Xception,并研究是否可以进一步提高准确性。通过将深度学习算法与传统的特征提取方法相结合,将执行一些实验。然而,GPU内存是一个一流的障碍,以配合更大的模型。CRediT作者贡献声明Anik Sen:概念化,方法论,软件,数据管理,写作-原始草稿,可视化,调查,写作-评论编辑。KaushikDeb:监督,写作-评论编辑。竞合利益作者声明,他们没有已知的可能影响本文所报告工作引用[1] 足球迷YouTube行为统计-与谷歌,谷歌思考。(n.d.),2020,访问:2020-08-07,https://www. 我知道你是谁。Com/data/soccer-fan-youube-behavior-statics.[2] H.Liu , Highlightextractioninsoccervideosbyusingmultimodalanalysis , in : 2017 13th International Conference onNatural Computa-tion , Fuzzy Systems and Knowledge Discovery(ICNC-FSKD),IEEE,2017,pp. 2169-2173。[3] A. Ekin,A.M. Tekalp,R.王文,王文生,王文生,等.足球视频自动分析与摘要.北京:计算机科学出版社. 12(7)(2003)796-807。[4] W. Zhao,Y. Lu,H.姜,W. Huang,使用镜头焦点识别的足球视频事件检测,2015年第三届IAPR亚洲会议模式识别(ACPR),IEEE,2015年,pp.341-345[5] X. Qi,T. Wang,J. Liu,Comparison of support vector machineandsoftmaxclassifiersincomputervision , in : 2017SecondInternationalConference on Mechanical , Control and ComputerEngineering(ICMCCE),IEEE,2017,pp. 151比155[6] L. Ballan,M. Bertini,A.德尔宾博湾Serra,行动分类 在使用字符串内核的足球视频中,在:2009年第七届基于内容的多媒体索引国际研讨会,IEEE,2009年,pp. 13比18[7] P. Shi,X.- Q. Yu,使用多线索检测规则的足球视频中的进球事件检测,在:2009管理和服务科学国际会议,IEEE,2009,pp. 一比四[8] Y.孔,X.张,智-地Wei,W. Hu,Y. Jia,集团行动识别 2008年第19届模式识别国际会议,IEEE,2008年,pp. 一比四[9] M. Baccouche,F.马马莱特角沃尔夫角,澳-地Garcia,A. Baskurt,Actionclassification in soccer videos with long short-term memoryrecurrentneural networks,in:International Conference on ArtificialNeuralNetworks,Springer,2010,pp. 154比159[10] E. Okafor,P. Pawara,F.卡拉阿巴岛科德里亚努湖Schomaker,M.Wiering,深度学习与野生动物识别视觉词袋之间的比较研究,2016年IEEE计算智能研讨会系列(SSCI),IEEE,2016年,第100页。1-8号。A. Sen和K. DebICT Express 8(2022)6571[11] C.谭,F.孙,T.孔,W。Zhang C.,中国古猿科杨角,澳-地刘,深度迁移学习,在:人工神经网络国际会议,施普林格,2018年,pp。270比279[12] K. Simonyan,A. Zisserman,Very deep convolutional networks forlarge-scale image recognition,2015,CoRR,abs/1409. 1556[13] R.帕斯卡努,T. Mikolov,Y. Bengio,关于训练递归神经网络的难度,在:国际机器学习会议,2013年,pp。1310-1318.[14] S.胡志华,长时记忆与短时记忆的关系,国立成功大学,硕士论文。第9卷第8期(1997年),第1735-1780页。[15] K. 乔湾,巴西-地Van Merriënboer角Gulcehre,D.Bahdanau,F.布加雷斯,H. Schwenk,Y. Bengio,Learning phrase representation using RNNencoder-decoder for statistical machine translation , 2014 , arXivpreprint arXiv:1406. 1078.[16] M.A. Russo,A. Filonenko,K.- H. Jo,使用CNN和RNN的连续帧中的体育分类,在:2018年信息和通信技术机器人国际会议(ICT-ROBOT),IEEE,2018年,pp。1比3。
下载后可阅读完整内容,剩余1页未读,立即下载
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
我的内容管理 收起
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
会员权益专享
最新资源
- 基于单片机的瓦斯监控系统硬件设计.doc
- 基于单片机的流量检测系统的设计_机电一体化毕业设计.doc
- 基于单片机的继电器设计.doc
- 基于单片机的湿度计设计.doc
- 基于单片机的流量控制系统设计.doc
- 基于单片机的火灾自动报警系统毕业设计.docx
- 基于单片机的铁路道口报警系统设计毕业设计.doc
- 基于单片机的铁路道口报警研究与设计.doc
- 基于单片机的流水灯设计.doc
- 基于单片机的时钟系统设计.doc
- 基于单片机的录音器的设计.doc
- 基于单片机的万能铣床设计设计.doc
- 基于单片机的简易安防声光报警器设计.doc
- 基于单片机的脉搏测量器设计.doc
- 基于单片机的家用防盗报警系统设计.doc
- 基于单片机的简易电子钟设计.doc
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)