探索将知识转移应用到体育视频数据中的应用
Shahrokh Heidari1, Gibran Zazueta2, Riki Mitchell3
1IVSLab, The University of Auckland, Auckland, New Zealand.
Frontiers in sports and active living
|February 24, 2025
概括
体育分析中的零射击学习 (ZSL) 能够在没有先例的情况下重新识别球员. 在体育数据上预训练的模型表现出卓越的性能,特别是基于部分的方法,以进行高效的分析.
科学领域:
- 运动分析 运动分析
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 人工智能和简历增强了体育观看和教练,但需要高效,低成本的方法.
- 深度学习模型需要大量资源用于培训和数据注释.
- 转移学习和零射击学习 (ZSL) 提供了高效的替代方案.
研究的目的:
- 调查运动视频中的球员重新识别的零射击学习 (ZSL).
- 在橄球联盟和网球中评估ZSL技术.
- 比较体育特异性与一般人重新识别模型的性能.
主要方法:
- 为橄球联盟 (约35,000) 和网球 (约14,000) 开发了两个数据集,其中包含了玩家ID和动作注释.
- 从预先训练的重新识别模型中使用的特征嵌入用于ZSL评估.
- 专注于通过功能嵌入测量玩家相似性的ZSL模型.
主要成果:
- 在体育运动员数据上预训练的模型表现优于在一般人群数据上训练的模型.
- 基于零件的ZSL模型在动态的体育环境中表现出更高的有效性.
- 不基于零件的模型因背景干扰而面临挑战.
结论:
- 在体育分析中,ZSL是一种可行的方法,可以有效地重新识别运动员.
- 体育特定的预训练和基于部分的模型对于强大的表现至关重要.
- 对ZSL的进一步研究可以降低体育AI中的数据注释和培训成本.
