Feb, 2019

DeepBall：深度神经网络球检测器

PDF
TL;DR本文提出了一种基于深度学习的物体检测器，专门用于长距离拍摄视频的球检测。由于其完全卷积的设计，该方法可以处理任何尺寸的图像，并生成编码检测到的球位置的 “球置信图”。该网络使用超列概念，将来自深度卷积网络不同层次的特征图组合并共同馈送卷积分类层。这允许在考虑感兴趣对象周围更大的视觉上下文时提高检测精度。当在公开可用的 ISSIA-CNR 足球数据集上进行测试时，该方法取得了最先进的结果。
deep learningobject detectionball detectionconvolutional neural networkhypercolumn
发现论文，激发创造
  • FootAndBall: 综合球员和球探测器

    本文介绍了一种名为 FootAndBall 的基于深度神经网络的检测器，它可以有效地检测高清、远距离的足球比赛视频中的足球和球员，并且可以以任意分辨率处理输入视频流，由于其专业设计，比通用深度神经网络物体检测器（如 SSD 或 YOLO）少两个数量级的参数，因此可以实时处理高分辨率的输入视频流。

    Dec, 2019

  • 多摄像头足球检测系统的设计与实现

    利用机器学习和三维物体检测技术，本文研究并实现了一种足球检测系统，通过多个摄像头实时探测球的三维位置，实现了高精度、实时的球赛直播。该系统还具有很强的可复用性，可用于类似的大规模比赛场景中。

    Jan, 2023

  • TrackNet：一种用于体育应用中追踪高速小目标的深度学习网络

    本研究通过使用深度学习模型 TrackNet，从模糊、带残影并有时不可见的广播视频中跟踪网球。在 2017 年夏季大学运动会男子单打决赛的视频上，TrackNet 的准确度、召回率和 F1-measure 达到了 99.7％、97.3％和 98.5％。

    Jul, 2019

  • 足球视频中远程实时球员和球检测的基准设定

    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

  • 基于深度学习的计算机视觉方法用于板球球传递的分割和追踪

    本研究使用深度学习模型 MobileNet 和 YOLO 对板球广播中的球传递进行分割，以产生用于研究的数据集。该方法通过运用目标检测模型从视频镜头中准确提取出球传递，从而使板球教练和球员能够对比赛中的球传递进行分析和了解。同时，该研究提出了建立大型数据集的思路，为提取语义信息铺平了道路。

    Nov, 2022

  • 使用深度神经网络实现可扩展的物体检测

    该研究提出了一种基于显著性启发的神经网络模型，可以有效地在图像中检测出包含任何感兴趣的对象的一组类不可知的边界框，而不需要针对每个实例复制输出，并在 VOC2007 和 ILSVRC2012 上获得了具有竞争力的识别性能。

    Dec, 2013

  • 在图像补丁上进行高效的单目标检测：早期退出增强高精度卷积神经网络

    该论文提出了一种新的方法来在计算约束的机器人平台上使用移动机器人检测物体，重点是检测球。

    Sep, 2023

  • SoccerNet 2023 追踪挑战 - 第三名 MOT4MOT 团队技术报告

    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

  • SoccerMap：用于足球视觉可解释分析的深度学习架构

    提出了一种完全卷积神经网络架构，可估计来自高频时空数据的足球可能传递的全概率面，能够适应于多种实际足球问题，如风险评估、应用可能的传递选项等。

    Oct, 2020

  • 从单个校准图像中的上下文感知三维物体定位：篮球的研究

    本文提出了一种从单个校准图像中实现三维篮球定位的新方法，通过预测对象在图像空间中的像素高度，并利用图像本身和对象的位置作为输入，估计其在图像中投影到地平面上，并利用已知的投影矩阵重建篮球的三维坐标，实验结果表明该方法相对于最近的研究取得了显著的精度改进，从而为提高球类跟踪和理解的可能性开辟了新的空间，推动了计算机视觉在不同领域的发展。

    Sep, 2023