独立于冰球场的冰球场注册
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
本文提出了一种基于优化的框架,以将体育场地模板注册到广播视频中,并采用深度学习来训练神经网络,以最小化注册误差,该方法应用于实际体育广播视频,表现优异,并且通过在合成 toy 示例上的验证,我们进一步证明了该方法即使在其引入太多约束和无限的训练数据情况下仍然有显着提高。
Sep, 2019
本文提出了一种新颖的方法,用于在静态俯视模型上对足球广播视频的帧进行注册,并利用场地线条的边缘信息解决点对应不足的问题,并使用合成字典和同态图对每帧进行最小匹配,并证明了此方法的有效性。
Mar, 2017
本文提出了一种新的篮球场注册框架,该框架基于编码器解码器网络的估计,采用透视感知约束对采样的关键点位置进行估计,并借助篮筐位置的回归和数据增强技术使模型对不同场馆具有鲁棒性。消融研究显示了我们的贡献对挑战测试集的积极影响,我们的方法将平均均方误差除以 4.7,比挑战基线提高了效果。
Sep, 2022
提出了一种新颖的贝叶斯框架,通过一个仿射变换明确地将一个视频帧的单应性与下一个视频帧关联起来,同时明确建模关键点的不确定性。该方法使用了两阶段卡尔曼滤波器,在现有方法的基础上显著改进了其性能,并使得不太复杂且计算成本较低的方法在大多数单应性评估指标上胜过了最先进的方法。
Nov, 2023
我们提出了一种无监督方法 (UnsupervisedR&R),从原始 RGB-D 视频中学习点云配准,通过可微的对齐和渲染,强制实现帧间的光度和几何一致性,实现三维场景的自动对齐。实验结果表明,该方法在室内场景数据集上优于传统方法,并具有竞争力的监督几何点云注册方法。
Feb, 2021
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
通过图像和视频的无监督方法,利用光流法进行检测的统一性,提高面部标记检测器的精度,最终输出更精确的面部标记检测器,适用于单张图像或视频。
Jul, 2018