SoccerKDNet：一种用于足球视频中动作识别的知识蒸馏框架
计算机视觉与模式识别
2023-07-26 v2
摘要
从足球视频中对球员动作进行分类是一个具有挑战性的问题，多年来在体育分析中变得日益重要。大多数最先进的方法采用高度复杂的离线网络，这使得此类模型难以部署在资源受限场景中。本文中，我们提出一种新颖的基于端到端知识蒸馏的迁移学习网络，其在Kinetics400数据集上预训练，随后通过引入独特的损失参数化对所学习框架进行广泛分析。我们还引入了一个名为SoccerDB1的新数据集，包含448个视频，由球员踢足球的4个不同类别组成。此外，我们引入了一个独特的损失参数，帮助我们线性权衡各网络预测被利用的程度。最后，我们还使用多种变更的超参数进行了彻底的性能研究。我们亦在新SoccerDB1数据集上给出了首个分类结果基准，取得67.20%验证准确率。除显著优于先前方法外，我们的模型也能轻松泛化到新数据集。该数据集已公开于：https://bit.ly/soccerdb1
引用
@article{arxiv.2307.07768,
title = {SoccerKDNet: A Knowledge Distillation Framework for Action Recognition in Soccer Videos},
author = {Sarosij Bose and Saikat Sarkar and Amlan Chakrabarti},
journal= {arXiv preprint arXiv:2307.07768},
year = {2023}
}
备注
Accepted to 10th Springer PReMI 2023