体育比赛视频中球衣号码识别的通用框架
通过提出一个强大的关键帧识别模块,以提取包含球衣号码的重要高级信息的帧,再利用时空网络来建模空间和时间上下文,并预测视频中球衣号码的概率分布,本研究在 SoccerNet 数据集上的广泛评估结果表明,引入我们的关键帧识别模块可以使两个不同测试集的准确度分别提高 37.81% 和 37.70%,这些结果突显了我们的方法在解决体育视频中自动球衣号码检测的挑战方面的有效性和重要性。
Sep, 2023
本文提出了一种新的方法来解决在 Seattle Seahawks 体育练习视频中,基于球衣号码的自动识别仍然具有挑战性的问题,我们的结果表明,使用合成数据可以显著地提高球衣号码检测任务的性能(总体精度可提高~9%,低频数字可提高~18%),从而使我们的方法达到业界领先水平。
Mar, 2022
基于对身体方向角和数码信号的联合处理,本研究提出了一种名为角度 - 数码优化方案(ADRS)的多任务学习方法,用于识别运动员球衣上的号码,有效提高了预测准确性。通过将各类团队运动如足球、橄榄球、篮球、排球和棒球纳入数据集,使得该方法在体育分析中能够产生更加多样和实用的球衣号码识别应用,取得了 64.07% 的 Top-1 准确率、89.97% 的 Top-2 准确率和相应的 F1 得分分别为 67.46% 和 90.64%。
Jun, 2024
本文综述了针对运动分析的视频动作识别方法,介绍了超过十种不同的运动类型,包括个人运动和团队运动。对现有的分析框架进行比较并总结了团队运动和个人运动领域的最新视频动作识别技术。同时,讨论了该领域的挑战和未解决的问题,并开发了一个工具箱,基于 PaddlePaddle 平台,实现了对足球、篮球、乒乓球和花样滑冰的动作识别。
Jun, 2022
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
本文介绍用于场景文本识别的深度学习架构 GeoTRNet 的概念、理论、实现及实验结果,该架构专用于处理常规场景文本,只使用几何特征识别图像中的数字,具有优异的模型可部署性、数据隐私性、模型可靠性,同时具有最小化模型权重、更短的推理时间等优势。
Feb, 2023
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
我们提出了一种通过判断图像和文本是否匹配来提高场景文本识别任务准确性的方法。与之前的研究关注于从输入图像生成识别结果不同,我们的方法还考虑了模型的误识别结果,以了解其错误倾向,从而改进了文本识别流程。该方法通过对模型可能误识别的数据进行预测,提供明确的反馈信息,从而提高了文本识别的准确性。公开可用数据集上的实验结果表明,我们提出的方法在场景文本识别方面超过了基线和最先进的方法。
Apr, 2024
本文采用对比学习方法,使用嵌入网络对球队运动员进行无监督分类,特别适合实时应用。新的曲棍球数据集上的实验结果表明,相对于先前的无监督方法,我们的方法表现优异。在仅一个镜头的无监督训练之后,我们的方法就能达到 94% 的准确率,仅仅用了不到 17 秒的游戏时间。此外,我们还展示了精确的团队分类如何允许计算具有团队条件的球员定位热图。
Apr, 2021
本文提出了一种简单而高效的方法来同时检测和匹配运动员及其相关物体,无需增加额外的成本,通过对广播冰球视频数据集的评估,在冰球数据集上,所提出的方法将比赛成绩从 57.1% 提高至 81.4%,同时还将球员 + 球棍检测的 meanAP 从 68.4% 提高至 88.3%。
Apr, 2021