スポーツ分析におけるプレイヤーのグループ活動認識のためのトランスフォーマーにおける階層的なクエリ設計と分散注意

科学分野:

• コンピュータ・ビジョン
• 人工知能
• スポーツ分析

背景:

• スポーツにおける集団活動の認識は,複雑なプレーヤーの相互作用とダイナミックなシナリオのために困難です.
• 現在の方法は,しばしば正確な境界ボックスの検出に依存し,遮断や特徴の絡み合いの制限につながります.
• 既存のアプローチでは 状況情報を効果的に統合して 堅実な分析を行うことが困難です

研究 の 目的:

• トランスフォーマーアーキテクチャを使用したスポーツにおけるプレイヤーグループ活動認識のための新しい枠組みを開発する.
• 個別と集団の活動認識を切り離し,特徴の解き放たれを改善することによって,既存の方法の限界に対処する.
• 先進的な注意力メカニズムを通じて 遮断,多様なプレーヤー・フォーメーション,運動のダイナミクスを強化します.

主な方法:

• ダブルパスアーキテクチャのHierarchical Attention Query Transformer (HAQT) を導入した.
• 個別およびグループレベルの特徴を効率的に解き放つため,階層的なクエリ設計を採用しています.
• 分散注意力メカニズムを利用して プレーヤーグループ内とグループ間での コミュニケーションを精進した.
• マルチスケールの時空の特徴の動的集積のための変形可能な変圧器のバックボーンを組み込みました.
• 境界ボックスの精度への依存を排除するためにセット予測パラダイムを実装した.

主要な成果:

• HAQTは,グループ活動認識の平均精度 (mAP) が92. 8%で,バレーボールデータセットで最先端のパフォーマンスを達成しました.
• バスケットボール-51のデータセットで優れたパフォーマンスを示し,92.76%の精度を達成しました.
• このモデルは複雑な時空的依存を効果的にモデル化し,遮断やダイナミックなシナリオに対する強度を示しています.

結論:

• 提案されたHAQTモデルは,スポーツのコンピュータビジョンにおけるグループ活動認識を大幅に改善します.
• 階層的なクエリデザインと分散注意力フレームワークは,複雑なスポーツ分析のための堅牢なソリューションを提供します.
• HAQTのセット予測パラダイムは,既存の方法を上回る正確なプレイヤーのローカライゼーションとアクティビティの分類を提供します.