DeepSportLab：一种用于团队运动场景中球体检测、球员实例分割与姿态估计的统一框架
计算机视觉与模式识别
2021-12-02 v1
摘要
本文提出一种统一框架，用于（i）定位球体、（ii）预测姿态以及（iii）分割团队运动场景中球员的实例掩码。这些问题在自动化体育分析、制作与转播中备受关注。常见做法是利用通用的前沿模型（如用于球员分割的 Panoptic-DeepLab）分别解决每个问题。除了由单任务模型叠加带来的复杂度增加外，由于团队运动场景的复杂性与特殊性（如严重遮挡与运动模糊），使用现成模型也阻碍了性能表现。为规避这些局限，本文提出训练单一模型，通过结合部件强度场（part intensity fields）与空间嵌入（spatial embeddings）原理，同时预测球体以及球员掩码与姿态。部件强度场提供球体与球员位置以及球员关节位置；随后利用空间嵌入将球员实例像素关联到各自球员中心，并将球员关节分组为骨架。我们在 DeepSport 篮球数据集上验证了所提模型的有效性，取得了与分别处理各独立任务的 SoA 模型相当的性能。
引用
@article{arxiv.2112.00627,
title = {DeepSportLab: a Unified Framework for Ball Detection, Player Instance Segmentation and Pose Estimation in Team Sports Scenes},
author = {Seyed Abolfazl Ghasemzadeh and Gabriel Van Zandycke and Maxime Istasse and Niels Sayez and Amirafshar Moshtaghpour and Christophe De Vleeschouwer},
journal= {arXiv preprint arXiv:2112.00627},
year = {2021}
}
备注
13 pages, 5 figures, BMVC, BMVC2021