面向体育视觉跟踪的联合重识别、队伍归属与角色分类的多任务学习
计算机视觉与模式识别
2024-01-19 v1 人工智能
摘要
有效的球员跟踪和重识别对于分析足球视频至关重要。但是，由于球员的非线性运动、同一队球员外观的相似性以及频繁的遮挡，这是一项具有挑战性的任务。因此，提取有意义的嵌入来表示球员的能力对于开发有效的跟踪和重识别系统至关重要。在本文中，提出了一种多用途的基于部件的人体表示方法，称为 PRTreID，可同时执行角色分类、队伍归属和重识别三项任务。与现有文献不同，单个网络在多任务监督下进行训练，以联合解决所有三项任务。由于共享主干网络，所提的联合方法在计算上是高效的。此外，定量和定性结果均表明，多任务学习产生了更丰富、更具判别性的表示。为了展示 PRTreID 的有效性，将其与 state-of-the-art 跟踪方法相集成，使用基于部件的后处理模块来处理长期跟踪。所提的跟踪方法在具有挑战性的 SoccerNet 跟踪数据集上优于所有现有的跟踪方法。
引用
@article{arxiv.2401.09942,
title = {Multi-task Learning for Joint Re-identification, Team Affiliation, and Role Classification for Sports Visual Tracking},
author = {Amir M. Mansourian and Vladimir Somers and Christophe De Vleeschouwer and Shohreh Kasaei},
journal= {arXiv preprint arXiv:2401.09942},
year = {2024}
}