从广播镜头中提取职业门将技巧的学习
利用计算机视觉技术,我们的系统可以从足球比赛的实况转播中提取详细的帧级别的球员动作信息,包括检测足球、球员和裁判,跟踪球员和球的移动,识别球员号码,分类场景,并识别例如射门等亮点。通过分析足球比赛的实时转播,我们的系统可以生成精彩的 GIF 动图、战术插图和综合总结图表,通过这些视觉识别技术,为观众提供了对足球比赛视频的全面理解,丰富了观赛体验并提供了详细而深入的分析。
Jul, 2024
提出了一种用于为扑救射门的门将创建 2D 动画并使用迭代非线性优化方案纠正该动作的端到端方法,以便于保持动画的语义相似性和实际人类行为相关性。
Mar, 2022
机器学习在足球比赛结果预测中已成为一种常见方法,本章讨论了该领域中可用的数据集、模型类型和特征以及评估模型性能的方法。研究发现,目前基于渐变提升树模型(如 CatBoost)和特定于足球比赛的评分(如 pi - 评分)的机器学习模型在只包含进球作为比赛特征的数据集上表现最佳,但需要更详细比较深度学习模型和随机森林在不同类型特征数据集上的性能。此外,可以进一步研究新的评分系统,其中包括球员和团队级别信息,并融合来自时空追踪和事件数据的附加信息。最后,需要提高比赛结果预测模型的可解释性,以使其对团队管理更有用。
Mar, 2024
通过使用生成的有标签和结构化的图像,作者在本文中展示了一种能够克服真实世界数据限制的方法,它能够模拟各种视图和条件,加快训练并准备从真实的足球比赛源中提取特征(如空间位置、场地标记、球员位置、球位置和相机视野)以进行分析的方法。
Sep, 2022
本文提出了一种创新的方法,利用可解释机器学习模型预测职业足球运动员的市场价值。使用从 FIFA 网站整理的数据集,我们采用集成机器学习方法结合 Shapley Additive exPlanations (SHAP) 来提供模型预测的详细解释。GBDT 模型在评估模型中表现出最高的平均 R-Squared(0.8780)和最低的平均均方根误差(3,221,632.175),表明其在性能上卓越。我们的分析发现,球控、短传、射门、拦截、带球和抢断等特定技能在技能维度上很重要,而冲刺速度和加速度在健身维度上至关重要,反应在认知维度上占主导地位。我们的结果为市场价值估计提供了更准确、客观和一致的框架,并为球员转会的管理决策提供了有用的见解。
Nov, 2023
通过利用神经网络,本研究提出了一种模型,结合人体动作识别 (HAR) 嵌入与上下文信息,通过观察运动员的踢球技术准确预测足球射门后的运动方向,取得了很高的准确率,为了解足球罚球动力学提供了有意义的启示。
Dec, 2023
本文利用 Faster RCNN 和 YoloV5 模型基于计算机视觉技术,对足球比赛视频进行关键事件检测和精简,结果表明使用 Faster RCNN 模型中的 ResNet50 作为基本模型表现最佳,检测准确率为 95.5%。
Apr, 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
本研究提出了 GOAL 基准测试,通过 22k 个句子和 42k 个知识三元组,对超过 8.9k 个足球视频剪辑进行挑战性的新任务设置,即基于知识的视频字幕生成,旨在生成关于特定领域场景的生动、细致的视频描述,为自动体育叙述等领域提供了广泛应用。同时,对现有方法进行实验改进,展示了解决这一有价值有应用的任务的困难和潜在方向。
Mar, 2023