智能网球电视:网球比赛视频的自动索引
本文针对草地网球赛的广播录像,利用从互联网上获得的人类创造的描述生成丰富的语义描述,形似于体育网站上专家人类写的文本评论,经测试能提供准确性和可读性。
Nov, 2015
为了解决目前手动注释和低层次注释方法在球拍运动视频中对战术理解的限制,我们提出了一个基于视觉数据和上下文洞察力相结合的视频球类运动技巧识别模型 ViSTec。我们的方法通过引入图形来显式建模球拍序列中的战略知识,并通过上下文归纳偏差增强技巧识别。实验证明我们的方法相较于现有模型具有更好的性能。与中国国家乒乓球队的专家的案例研究验证了我们模型自动化分析技术动作和战略策略的能力。
Feb, 2024
我们提出了一个用于解析羽毛球比赛直播录像中球员移动的端到端框架,通过使用可视化输入和仅使用视觉线索来计算球员在球场上所走的距离,通过移除重播和冗余部分,我们聚焦于比赛过程,并对每一帧进行球员追踪,最后计算每位球员的移动距离和平均速度,同时为球场上球员的区域绘制热力图,以分析比赛过程。
Aug, 2023
SoccerNet-v2 提出了一个大规模手动注释的语料库,其中包含大约 300k 个注释,用于扩展足球领域中的任务,以推动计算机视觉更接近于针对更广泛视频理解和制作目的的自动解决方案。
Nov, 2020
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
通过使用惯性测量单元采集参与少年网球运动员的运动数据,使用支持向量机算法对数据进行处理,本研究通过将网球运动员的技能水平划分为初学者或中级水平,以及基于收集的运动数据对网球挥拍动作划分为五个阶段,成功展示了 SVM 分类方法可作为发展平等且易于接近的基于 AI 的网球训练系统的可靠基础。
Jun, 2024
本文介绍了一种用于检测和跟踪羽毛球的方法,该方法通过特性判断和结合背景信息解决羽毛球不易检测的挑战,并且能够达到 100% 的准确度和 84.1% 的 F1 平均值。
Jun, 2023
本研究通过对不同场景下内容结构研究所提供的深刻解释,从内容感知的角度,对广播体育的内容感知系统的相关主题进行了总结,重点关注了过去十年在体育节目中应用的视频内容分析技术以及针对对象、事件和上下文的分析方法,旨在确定用户需求。最后,本文总结了广播体育视频分析的未来趋势与挑战。
Mar, 2017
通过对深度学习在网球行为分类中的应用进行研究,本文探讨了其潜力和挑战。我们使用三种不同规模的基于深度学习架构 SlowFast 的模型对学术网球数据集 THETIS 进行训练和评估。最佳模型的泛化准确率达到了 74%,为网球行为分类的良好性能提供了证明。我们提供了最佳模型的错误分析,并指出了改进网球数据集的方向,讨论了数据集的限制、当前公开网球数据集的一般限制以及未来的进展方向。
Feb, 2024