SoccerMap:用于足球视觉可解释分析的深度学习架构
使用深度神经网络和随机森林模型,研究了 Soccer Simulation 2D 游戏中足球 2D 球员的传球行为,并验证了该方法对提高传球预测性能的有效性。
Jan, 2024
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。
Feb, 2019
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
本文介绍了一种将足球比赛的单眼视频转化为可交互地呈现球员和球场的三维重建系统,通过使用卷积神经网络估算每个球员的深度图,我们将其与现有的身体姿态和深度估计技术进行比较,并展示了在合成和真实的 YouTube 足球片段的实验结果。
Jun, 2018
本文介绍了一种利用卷积神经网络(CNN)预测英超球员表现的创新模型。我们评估了 Ridge 回归、LightGBM 和 CNN 在根据历史 FPL 数据预测未来球员 FPL 得分的任务上的性能。我们的基准模型 Ridge 回归和 LightGBM 表现出色,并强调了预测英超球员表现中最近的 FPL 得分、影响力、创造力、威胁和上场时间的重要性。我们的最佳 CNN 架构在输入特征更少的情况下实现了更好的性能,甚至超过了文献中最佳的英超球员表现预测模型。最佳的 CNN 架构还与球员排名有很强的斯皮尔曼相关性,表明其对支持 FPL 人工智能代理的开发和为 FPL 经理提供分析的重要意义。此外,我们还对从《卫报》收集的足球新闻数据进行了迁移学习实验,用于相同的任务,即预测未来球员得分,但在自然语言新闻文本中并没有找到强预测信号,与 CNN 和基准模型相比的性能表现较差。总的来说,我们基于 CNN 的方法在预测英超球员表现方面取得了显著进展,并为迁移学习到其他英超预测任务(如体育博彩的胜负赔率和领先的 FPL 人工智能代理的开发)奠定了基础。
May, 2024
该研究聚焦于足球广播视频的摄像头校准和现有科学社区的限制,并通过深度学习技术和大规模数据集的发布来提高现有体育动作捕捉算法的性能。
Apr, 2021
本文研究了如何基于足球比赛的时空数据使用计算几何的方法构造预测变量并从带标签的样本中学习分类函数,进而生产一个自动化系统来评估球员之间的传球质量。实验结果表明,我们可以使用计算几何的方式获得相对较高的分类准确率,并且这些变量对于学习到的分类器是有一定的重要性的。最后,我们还验证了机器分类器与人类观察者之间的分类一致性程度相近。
Jul, 2014
本文研究足球空间传球数据的建模和分析,开发了一种基于多分辨率数据表示和泊松非负块项分解模型的方法,自动生成网络图案以概括不同球队的传球策略并探究其对战绩的影响,文中应用了 2014 年世界杯的详细传球记录数据。
Mar, 2018
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