自监督小型足球运动员检测和跟踪
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
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。
Apr, 2020
该论文提出了一种自动系统来跟踪和识别广播 NHL 冰球录像中的球员,它包括三个组成部分:球员跟踪、队伍识别和球员识别。通过使用现有的追踪算法来跟踪球员,将远离队的队服分组为单一类别,主队的队服按照颜色分组,训练了一个卷积神经网络来识别团队。还引入了一种新颖的球员识别模型,利用一维卷积神经网络来识别球员的边界框序列,进一步利用 NHL 比赛花名册数据来获得 83%的球员识别准确率。
Oct, 2021
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
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
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
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
本文总结了最近光学跟踪的方法,并提供了传统和深度学习方法的综合分类法。同时,还讨论了跟踪数据的预处理步骤、该领域中最常见的挑战以及跟踪数据在运动队中的应用。最后,通过对成本和限制的比较,突出了可能的未来研究方向。
Apr, 2022
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
我们提出了一个混合框架,通过将自动化目标跟踪器与少量人工输入相结合,可以持续产生高质量的物体跟踪。我们的方法利用无标签视频上的自我监督学习,学习适合目标物体的表示,并使用该表示主动监视其跟踪区域,并在跟踪器失效时决策是否需要人工重新定位目标。实验证明我们的方法在三个数据集上优于现有方法,尤其适用于小型、高速移动或遮挡物体。
May, 2024