足球视频中远程实时球员和球检测的基准设定
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
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
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
SoccerNet-v2 提出了一个大规模手动注释的语料库,其中包含大约 300k 个注释,用于扩展足球领域中的任务,以推动计算机视觉更接近于针对更广泛视频理解和制作目的的自动解决方案。
Nov, 2020
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
本研究使用深度学习模型 MobileNet 和 YOLO 对板球广播中的球传递进行分割,以产生用于研究的数据集。该方法通过运用目标检测模型从视频镜头中准确提取出球传递,从而使板球教练和球员能够对比赛中的球传递进行分析和了解。同时,该研究提出了建立大型数据集的思路,为提取语义信息铺平了道路。
Nov, 2022