基于尺度注意力和尺度均等算法的玩家检测方法
Pan Zhang1,2, Jiangtao Luo1,3
1School of Communication and Information Engineering, Chongqing University of Posts and Telecommunications, Chongqing, China.
Frontiers in neurorobotics
|December 21, 2023
概括
这项研究引入了一种新的多尺度注意力机制和尺度均等算法,以改善团队体育运动运动员的物体检测. 该方法提高了小型和大型玩家界限框的准确性,克服了常见的检测挑战.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 运动分析 运动分析
背景情况:
- 在团队球比赛中对象检测面临规模变化的挑战,导致较小的玩家错过检测,较大的玩家精度降低.
- 现有的方法往往严重依赖数据集规模统计,这对不同规模的玩家来说可能不可靠.
研究的目的:
- 为球队球员开发一种改进的物体检测方法,以解决与尺度相关的不准确性.
- 为了提高对各种界限框尺寸,特别是小型和大型的玩家的检测.
主要方法:
- 提出了一种新的多尺度注意力机制,利用专门创建的SIoU (类似于联盟上的十字路口) 标签来表示多尺度的特征.
- SIoU标签指导着在两个细分级别上培训多级别的注意力网络模块.
- 在SIoU标签中使用集成的尺度均等算法,以改善在不平衡数据集中的多尺度目标的检测.
主要成果:
- 在篮球,排球和冰球数据集上的实验表明检测准确度有了显著的改善.
- 拟议的方法使较小的界限框的检测精度分别提高了11%,15%和9%.
- 对较大的边界框的检测精度分别提高了7%,8%和4%.
结论:
- 拟议的双重方法有效地解决了团队体育运动对象检测的规模相关挑战.
- 多尺度注意力机制和尺度均等算法提高了在各种尺度上检测玩家的稳定性和准确性.
