CVPRApr, 2020

基于轨迹和视频数据的足球团体活动检测

PDF
TL;DR本研究使用轨迹和视觉数据来检测足球比赛中的群体活动，并提出了自我注意力模型来显式地建模球员与球之间的交互作用。结果表明，基于视觉或轨迹的方法都能够在 0.5 秒内识别出大部分事件，并且每种方法都有其独特的挑战。
发现论文，激发创造
  • 无检测器弱监督群体活动识别

    本研究提出了一种新的基于 Transformer 模型的团队活动识别方法，该方法借助注意机制对部分环节进行定位与编码，再对其进行聚合以反映整个活动的完整背景和每个环节的时间演化，无需借助较强的监督方法，在两个基准测试中均表现良好。

    Apr, 2022

  • 学习个人轨迹表示用于团队活动分析

    本篇研究提出了一种端到端的深度学习向量表示方法来进行群体活动分析，该方法可以编码个体动作和集体行为的空间时间依赖关系来识别个体事件并识别群体，此外本方法还可以应用于团队体育运动数据的事件分析和阵型分析中。

    Jun, 2017

  • 自监督小型足球运动员检测和跟踪

    本篇论文提出了自监督管道来检测和跟踪低分辨率足球玩家，不需要任何地面真实数据，并赢得了顶级结果。

    Nov, 2020

  • 分层深度时间模型用于群体活动识别

    本文针对视频序列中的团体活动行为分类问题，基于 LSTM 模型构建了一个 2 阶段的深度时间模型，同时考虑了个体和群体层面的动态信息，通过在排球视频数据集上的实验验证了该模型的有效性。

    Jul, 2016

  • 一种基于图形的足球动作检测方法，利用无监督球员分类技术

    本文主要介绍了一种基于图的方法，通过将球员、裁判和守门员表示为图中的节点，并将它们的时序交互建模为一系列图形，提高了足球视频中行动定位的准确性，对于该方法的测试结果，对于球员分类任务达到了 97.72% 的准确率，在结合音频和视频多模态信息后行动定位任务的平均 - mAP 表现达到了 57.83%，在与其他基于计算的方法相比表现卓越且可竞争性强。

    Nov, 2022

  • 特征组合与注意力相遇：百度足球嵌入和基于 Transformer 的时间检测

    本文提出了一种基于多阶段范式的方法，通过使用动作认知模型提取高级语义特征和设计转换器来定位目标事件，以检测和确定足球广播视频中事件的发生时间，并在 SoccerNet-v2 Challenge 中获得了最新的表现，在动作识别和重播地面任务上均表现出最先进的性能。

    Jun, 2021

  • 基于室内轨迹数据的半监督活动识别方法

    研究了使用机器学习对移动对象的活动进行分类的问题，并提出了一种半监督的机器学习方法，该方法通过将轨迹分段并自动标记，最后训练基于卷积神经网络的深度学习分类模型来实现高精度分类，此方法已在一个三轮车装配车间的数据集上进行了评估。

    Jan, 2023

  • SoccerNet-Tracking：足球视频中的多目标跟踪数据集和基准

    在本篇论文中，我们提出了一个可用于多物体跟踪的新型数据集，其包含 200 个 30 秒的序列和一个完整的 45 分钟半场，用于跟踪足球视频中的球员、裁判和球，该数据集带有边界框和跟踪 ID 的完整注释，并能够训练足球领域 MOT 基线并对这些方法进行全面基准测试，结果表明足球视频中的多人、裁判和球跟踪问题还有待改善。

    Apr, 2022

  • 棒球视频中的细粒度活动识别

    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

  • 体育视频动作识别调查：数据集、方法和应用

    本文综述了针对运动分析的视频动作识别方法，介绍了超过十种不同的运动类型，包括个人运动和团队运动。对现有的分析框架进行比较并总结了团队运动和个人运动领域的最新视频动作识别技术。同时，讨论了该领域的挑战和未解决的问题，并开发了一个工具箱，基于 PaddlePaddle 平台，实现了对足球、篮球、乒乓球和花样滑冰的动作识别。

    Jun, 2022