球员如何处理球:基于物理约束的交互建模
本研究提出了一种快速而准确的运动员追踪解决方案,通过结合几个模型以在相对较小的硬件上并行执行来追踪运动员,最终能够在高清视频上以 80 fps 的速度处理,可以达到一定的准确率。
Mar, 2020
该论文提出了一种基于 Set Transformer 和层次结构的推理框架,用于通过球员轨迹推断足球的轨迹,实现了自然且准确的轨迹预测,并提出了几种实用的应用包括缺失轨迹计算与自动放映。
Jun, 2023
本文总结了最近光学跟踪的方法,并提供了传统和深度学习方法的综合分类法。同时,还讨论了跟踪数据的预处理步骤、该领域中最常见的挑战以及跟踪数据在运动队中的应用。最后,通过对成本和限制的比较,突出了可能的未来研究方向。
Apr, 2022
本文中,我们探讨了一种方法,能够让智能体装备内部的世界动态模型,并通过运行多个内部仿真(“视觉想象”)来规划新型动作。我们的模型直接处理原始视觉输入,并使用基于目标中心的视觉快照(聚焦)的新颖物体中心预测公式来强制学习物理定律的平移不变性。我们的智能体可以通过随机与不同环境的集合进行交互来收集训练数据,然后可以使用所得到的模型在未见过的环境中规划目标导向的行动。我们展示了我们的智能体可以准确地规划模拟台球游戏中的行动,该游戏需要将球推向目标位置或使其与其他球碰撞。
Nov, 2015
提供了用于训练和评估的 YOLO 归一化注释格式的 SoccerNet v3 数据集的编辑部分,该数据集在长距离实时检测足球场上的球和球员方面证明了 YOLO8n 模型优于 FootAndBall。
Nov, 2023
使用视频来分析棒球投手在策略和预防伤害方面起着至关重要的作用。基于计算机视觉的姿势分析提供了一种高效和经济的方法。然而,使用 30fps 帧速率的可访问广播视频通常在快速动作中导致部分身体运动模糊,限制了现有姿势关键点估计模型的性能。本文提出了一种合成数据增强流程,以增强模型处理模糊动作的能力。此外,我们利用野外视频使我们的模型能够在不同的真实环境条件和摄像机位置下保持稳健。通过精心优化增强参数,我们观察到在 2D 和 3D 姿势估计的测试数据集上损失分别减少了 54.2% 和 36.2%。通过将我们的方法应用于现有最先进的姿势估计器,我们展示了平均改进了 29.2%。研究结果突出了我们的方法在减轻运动模糊带来的挑战方面的有效性,从而提高了姿势估计的整体质量。
Sep, 2023
本文介绍了我们对 SoccerNet 2023 跟踪挑战的解决方案,分别处理球员追踪和球的追踪任务。我们使用了最先进的在线多目标追踪器和现代目标检测器进行球员追踪。为了克服在线方法的局限性,我们引入插值和无外观的轨迹合并进行后处理。此外,我们还使用基于外观的轨迹合并技术处理远离图像边界的轨迹的终止和创建。球的追踪被形式化为单个目标检测,借助经过微调的 YOLOv8l 检测器和专有的过滤器来提高检测精度。我们的方法在 SoccerNet 2023 跟踪挑战中获得了第三名,HOTA 得分为 66.27。
Aug, 2023
利用图变分循环神经网络对足球比赛中球员的轨迹进行预测,并对球员在没有球的情况下对进球做出贡献的能力进行评估,结果显示提出的指标与球员的年薪相关性显著,表明该方法可以有效评估球员在没有球的情况下为队友创造进球机会的能力。
Jun, 2022
本研究提出了一种基于物理模型的乒乓球弹道过滤和预测方法,首次将数据与物理先验知识相结合,通过神经网络推断球的初始条件,采用比黑盒模型更准确的方法预测球的运动轨迹,并在评估机械手臂的实际返回表现时取得了高达 97.7% 的成功率。
May, 2023