Oct, 2021

冰球运动员跟踪和识别

PDF
TL;DR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。
发现论文，激发创造
  • 冰球中的多人追踪与投影

    本研究提出了一种将多目标跟踪问题转化为双边图匹配的新方法，通过将球员的足部关节点映射到顶视冰场模板，并将这些投影位置编码到图网络中，实现对遮挡和重叠球员的可靠空间上下文，从而提高了广播冰球数据集中的 IDsw 和 IDF1 指标。

    May, 2024

  • 广播比赛视频中追踪个体运动员的混合方法

    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

  • 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

  • 团队运动中的光学追踪

    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

  • 使用一次提案多次预测检测和匹配相关目标

    本文提出了一种简单而高效的方法来同时检测和匹配运动员及其相关物体，无需增加额外的成本，通过对广播冰球视频数据集的评估，在冰球数据集上，所提出的方法将比赛成绩从 57.1% 提高至 81.4%，同时还将球员 + 球棍检测的 meanAP 从 68.4% 提高至 88.3%。

    Apr, 2021

  • 合成数据识别足球运动员球衣号码

    本文提出了一种新的方法来解决在 Seattle Seahawks 体育练习视频中，基于球衣号码的自动识别仍然具有挑战性的问题，我们的结果表明，使用合成数据可以显著地提高球衣号码检测任务的性能（总体精度可提高～9％，低频数字可提高～18％），从而使我们的方法达到业界领先水平。

    Mar, 2022

  • 利用低分辨率广播视频的关键帧识别进行球衣号码识别

    通过提出一个强大的关键帧识别模块，以提取包含球衣号码的重要高级信息的帧，再利用时空网络来建模空间和时间上下文，并预测视频中球衣号码的概率分布，本研究在 SoccerNet 数据集上的广泛评估结果表明，引入我们的关键帧识别模块可以使两个不同测试集的准确度分别提高 37.81% 和 37.70%，这些结果突显了我们的方法在解决体育视频中自动球衣号码检测的挑战方面的有效性和重要性。

    Sep, 2023

  • 离散广播数据的连续足球运动员追踪

    从广播镜头制作的离散数据中，我们提出一种方法来估计连续的全场跟踪数据，帮助球队和球员收集高质量的球员跟踪数据。

    Nov, 2023

  • 基于 3D 卷积神经网络在冰球视频中实现多标签类别不平衡的动作识别

    本研究利用 3D CNN 构建深度多标签 HAR 系统以解决应用于曲棍球视频中类别不平衡动作识别的问题，并对该系统进行了测试和验证，结果表明该方法比现有解决方案表现更好。

    Sep, 2017

  • AI 驱动的自动多人拳击手追踪

    我们通过经济实用的单个固定顶视摄像机，在连续追踪拳击手的过程中，利用改进的算法进行过渡检测和持续的运动员识别，从而在精确分割录制视频流中的拳击回合边界以及不同时间段或同一回合内重新识别同一拳击手的困难中取得了进展，并且在我们自定义采集的约 11 小时数据中，过渡检测算法精度达到 90%，持续追踪的识别错误次数为 0。

    Aug, 2023