Feb, 2024

使用足球转播视频中估计的姿势进行犯规预测

PDF
TL;DR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。
发现论文，激发创造
  • FootAndBall: 综合球员和球探测器

    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

  • 桌上足球

    本文介绍了一种将足球比赛的单眼视频转化为可交互地呈现球员和球场的三维重建系统，通过使用卷积神经网络估算每个球员的深度图，我们将其与现有的身体姿态和深度估计技术进行比较，并展示了在合成和真实的 YouTube 足球片段的实验结果。

    Jun, 2018

  • 基于 CNN 的桌上足球游戏状态检测

    本文介绍了一个用于在桌球游戏中确定游戏状态的图形检测系统，通过使用卷积神经网络作为基础架构，训练端到端回归模型，预测每个杆的旋转和移动。通过提供黑白两队的数据，该系统旨在为观察人类玩家的模仿学习技术的未来发展提供所需的数据。

    Apr, 2024

  • 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

  • 足球视频中远程实时球员和球检测的基准设定

    提供了用于训练和评估的 YOLO 归一化注释格式的 SoccerNet v3 数据集的编辑部分，该数据集在长距离实时检测足球场上的球和球员方面证明了 YOLO8n 模型优于 FootAndBall。

    Nov, 2023

  • SoccerNet-v2 中的相机校准和球员定位，以及它们在动作检测中的表示研究

    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

  • 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

  • 多摄像头足球检测系统的设计与实现

    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

  • 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

  • SoccerNet-Tracking：足球视频中的多目标跟踪数据集和基准

    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