用于改进足球中球员与球检测的半监督训练
计算机视觉与模式识别
2025-02-18 v1
摘要
近年来，准确的球员和球检测对体育分析已变得愈发重要。由于大多数最先进的方法依赖以监督方式训练深度学习网络，它们需要海量标注数据，而这类数据很少可得。本文提出一种新颖的通用半监督方法，通过利用大型无标注的足球转播视频数据集，基于有标注图像数据集训练网络。更确切地说，我们设计了一种教师-学生方法，其中教师对无标注数据生成代理标注，随后用于训练与学生（其架构与教师相同）的训练。此外，我们引入了三种训练损失参数化方案，使学生能根据候选框置信度分数在训练期间质疑教师的预测。我们表明，在训练过程中纳入无标注数据可大幅提升仅在有标注数据上训练的检测网络性能。最后，我们给出了包含不同有标注与无标注数据比例的详尽性能研究，并在新的SoccerNet-v3检测任务上建立了首个基准，mAP达52.3%。我们的代码见 https://github.com/rvandeghen/SST 。
引用
@article{arxiv.2204.06859,
title = {Semi-Supervised Training to Improve Player and Ball Detection in Soccer},
author = {Renaud Vandeghen and Anthony Cioppa and Marc Van Droogenbroeck},
journal= {arXiv preprint arXiv:2204.06859},
year = {2025}
}
备注
Paper accepted at the CVsports workshop at CVPR2022