使用纯合成训练数据从现实世界媒体源中识别和提取足球特征

Sep, 2022

使用纯合成训练数据从现实世界媒体源中识别和提取足球特征

Identifying and Extracting Football Features from Real-World Media Sources using Only Synthetic Training Data

Jose Cerqueira Fernandes, Benjamin Kenwright

TL;DR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。

Abstract

Real-world images used for training machine learning algorithms are often unstructured and inconsistent. The process of analysing and tagging these images can be costly and error prone (also availability, gaps and legal conundrums). However, as we demonstrate in this article, the poten

machine learning image generation football data tagging images real-world data

发现论文，激发创造

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

基于合成数据的运动相机标定

通过使用合成数据，我们提出了一种高度自动化的方法来通过单个图像校准运动相机，使用新颖的相机姿态引擎，以及采用两个 GAN 模型来检测场地标记，并在合成和真实数据中取得了鲁棒性和最新技术表现。

Oct, 2018

一种多阶段深度结构用于足球视频摘要生成

本文提出了一种利用音频和事件元数据生成足球比赛摘要的方法，在不同的数据集之间进行了泛化处理，并且可以提供不同的选项给最终编辑人员。

May, 2022

利用计算机视觉检测关键足球比赛事件以创建精华片段

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

关于足球比赛视频中动作检测主动学习的研究

本文提出了一种主动学习框架，通过选择最具信息量的视频样本加速模型训练和优化算法，实现在减少注释工作量的同时提高在足球视频中的行为检测精度，适用于通过降低注释时间，提高数据效率来加速注释运动领域数据集的应用。

Apr, 2023

游戏与学习：使用视频游戏训练计算机视觉模型

该论文通过实验验证了从现代视频游戏中提取的合成 RGB 图像可以用于改进深度神经网络在图像分割和深度估计方面的性能，同时还说明了合成数据可通过简单的领域自适应技术提供类似或更好的结果，这表明与游戏开发者合作收集数据是未来计算机视觉的一个潜在方向。

Aug, 2016

电脑游戏中的地面真实数据

该论文提出了一种方法，根据现代电脑游戏中的图像快速创建像素准确的语义标签映射，用以训练计算机视觉模型并取得更高的准确度。

Aug, 2016

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

利用合成训练数据提高深度学习质量检测的泛化能力

通过生成合成图像来解决领域不稳定性问题，从而使训练的深度学习模型更加稳健。我们描述了我们的合成数据生成管道和我们的深度学习方法来回答这些问题。

Feb, 2022

通过使用模拟数据来减少数据采集和标记以进行缺陷检测

使用合成数据与未标注的真实数据进行训练可在较低成本下实现与标注真实数据相媲美甚至更好的缺陷检测结果。

Jun, 2024