MLB 投手伤情的视频早期检测
本文介绍了一种基于神经网络的方法,用于从 2D 视频片段到 3D 坐标的跟踪和重构棒球投球轨迹。该方法利用 OpenCV 的 CSRT 算法准确跟踪 2D 视频帧中的棒球和固定参考点,然后使用跟踪的像素坐标作为我们的神经网络模型的输入特征,将 2D 坐标映射到 3D 空间,通过使用平方均误差损失函数和 Adam 优化器对模型进行训练,最小化预测误差。实验结果表明,该方法从 2D 输入中精确重构 3D 轨迹,展现了在体育分析、训练以及提高各类运动轨迹预测准确性方面的巨大潜力。
May, 2024
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
PitcherNet 是一种通过实时广播视频直接分析投手运动学从而提取有价值的球速、发球点、投球位置和发球延伸等重要数据的全自动系统,在实验证实中实现了 96.82%的投手航迹识别准确率,将棒球分析优化了投球策略,预防伤害,并深入了解投手机械原理,从而对棒球比赛进行了革命性的转变。
May, 2024
本文介绍了一个新的细粒度活动检测数据集 MLB-YouTube,研究了利用分类和连续视频中各种识别方法捕捉活动视频中的时间结构,并比较了在难以预测棒球视频中的球速和类型的任务中的模型。发现学习时间结构对于细粒度活动识别非常有价值。
Apr, 2018
本文介绍了一种满足精度、效率和低内存消耗的级联卷积神经网络 (CNN),用于实现基于视觉的运动员检测。通过从标记的图像块训练一个二进制分类网络,然后在测试时高效地将该网络应用于整个图像,本方法在篮球和足球比赛中得到了精确的运动员检测结果,并在聚光灯影响、高度动态的相机移动和运动模糊等多种复杂条件下表现出色。与传统 CNN 相比,本文方法参数少 1000 倍,准确度更高。
Sep, 2017
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
我们的研究引入了一种创新的深度学习方法,用于预测足球犯规。该方法通过构建一个新颖的足球犯规数据集,将视频数据、边界框位置、图像细节和姿势信息相结合,利用卷积和循环神经网络 (CNNs 和 RNNs) 从这四个模态中有效地融合信息。实验结果表明我们的完整模型优于其他模型,所有的 RNN 模块、边界框位置、图像和估计的姿势在犯规预测中都有用。我们的研究结果对于更深入地理解足球比赛中的犯规行为具有重要意义,并为该领域的未来研究和实践提供了有价值的参考。
Feb, 2024
本研究以 GPS 测量和机器学习为基础,提出了一种基于多维度方法的足球受伤预测方法,并以实际案例说明其准确性和可解释性,为评价和解释职业足球中受伤风险和训练表现之间的复杂关系提供了一组简单实用的规则。
May, 2017
本研究采用深度学习模型中的长短时记忆(LSTM)模型,以全垒打数为目标,与多个机器学习模型及广泛应用的棒球投影系统 SZymborski 投影系统进行比较,结果表明 LSTM 模型的表现优于其他模型,可以用于棒球表现预测问题,并能提供有价值的信息。
Jun, 2022
本文研究了一种基于卷积神经网络的数据驱动算法来解决相机型号识别问题,结果表明,所提出的方法在 64x64 的彩色图像块分类上优于最新的算法,而且所学到的特征具有很好的泛化性能。
Mar, 2016