基于 Transformer 与弱监督学习的冰球运动员识别
计算机视觉与模式识别
2022-05-02 v2
摘要
在视频中识别运动员是基于计算机视觉的体育分析的基础步骤。获取运动员身份对于分析比赛至关重要，并用于比赛事件识别等下游任务。Transformer 是自然语言处理(NLP)中的现有标准，并正在计算机视觉中迅速获得关注。受 Transformer 在计算机视觉中日益成功的启发，本文引入了一种 Transformer 网络，用于通过广播国家冰球联盟(NHL)视频中的球衣号码来识别运动员。该 Transformer 以运动员帧的时间序列(也称为运动员轨迹片段)作为输入，并输出帧中出现的球衣号码的概率。所提出的网络在所用数据集上优于先前的基准。我们通过生成球衣号码出现的近似帧级标签来实现弱监督训练方法，并利用帧级标签进行更快的训练。我们还利用 NHL 逐play-by-play数据中的运动员换班信息，通过光学字符识别(OCR)读取比赛时间，以获取某一比赛时刻冰场上的运动员。使用运动员换班信息将运动员识别准确率提高了 6%。
引用
@article{arxiv.2111.11535,
title = {Ice hockey player identification via transformers and weakly supervised learning},
author = {Kanav Vats and William McNally and Pascale Walters and David A. Clausi and John S. Zelek},
journal= {arXiv preprint arXiv:2111.11535},
year = {2022}
}
备注
CVSports 2022