相关实验视频
Updated: May 10, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.6K
使用深度学习架构进行足球自动犯规检测的比较分析
Abdallah Rabee1, Zakaria Anwar2, Ahmed AbdelMoety3
1Sports Health Sciences Department, Faculty of Physical Education, South Valley University, Qena, 1464091, Egypt.
Scientific reports
|April 24, 2025
概括
这项研究比较了八个深度学习模型用于自动足球犯规检测. InceptionResNetV2显示了最高的准确性,而DenseNet121提供了卓越的精度,以改善服务.
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:
- 由于游戏动态和将犯规与正常接触区分开来,自动犯规检测在足球中是复杂的.
- 深度学习 (DL) 提供了潜在的解决方案,以提高官方的准确性和一致性.
研究的目的:
- 对八个DL架构进行全面的比较评估,用于足球中的自动犯规检测.
- 用准确度,精度,回忆,F1得分和AUC等指标来评估模型性能.
主要方法:
- 在 7000 张图像数据集上训练并评估了 EfficientNetV2,ResNet50,VGG16,Xception,InceptionV3,MobileNetV2,InceptionResNetV2 和 DenseNet121 的数据集.
- 为了公平的绩效评估,使用了700张图像 (350张犯规,350张无犯规) 的平衡测试集.
- 使用梯度加权类激活映射++ (GradCAM++) 来实现模型可解释性.
主要成果:
- InceptionResNetV2获得了最高的测试准确率 (87.57%) 和F1得分 (0.8966).
- 在DenseNet121中,记录了最高的精度 (0.9786) 和AUC (0.9641).
- 轻量级的MobileNetV2表现出具有竞争力的性能,适合实时应用.
结论:
- 深度学习架构可用于集成到足球裁判系统,如VAR.
- 模型可解释性对于可信的自动化决策至关重要.
- 未来的研究应该探索多式联网数据融合和时间建模,以加强实时故障检测.
