基于视觉自注意力模型与轨迹滤波器的篮球战术识别

通过机器学习分析球员轨迹数据获得进攻或防守战术,是篮球视频内容理解的关键组成部分。传统机器学习方法需要人为设定特征变量,灵活性大大降低,因此如何自动获取可用于战术识别的特征信息成为关键问题。为此,该文基于美国职业篮球联赛(NBA)比赛中球员轨迹数据设计了一个篮球战术识别模型(TacViT),该模型以视觉自注意力模型(ViT)作为主干网络,利用多头注意力模块提取丰富的全局轨迹特征信息,同时并入轨迹滤波器来加强球场线与球员轨迹之间的特征信息交互,增强球员位置特征表示,其中轨迹滤波器以对数线性复杂度学习频域中的长期空间相关性。该文将运动视觉系统(SportVU)的序列数据转化为轨迹图,自建篮球战术数据集(PlayersTrack),在该数据集上的实验表明,TacViT的准确率达到了82.5%,相对未做更改的视觉自注意力S模型(ViT-S),精度上提升了16.7%。

智能化篮球竞技视频分析系统关键技术综述

篮球竞技视频分析,是球队赛前、赛中、赛后的重要工作之一。传统方法主要以视频回放结合人工辅助方式进行球员标注、数据统计、技战术分析等,效率相对较低。近年来众多学者逐步利用深度学习技术研究实现智能化篮球竞技视频分析。本文对2012至2023年,尤其是近五年间发表于三大检索平台和中国知网的文献进行梳理,共筛选获取51篇相关文献。结果发现:最新篮球竞技视频分析系统主要区分为球场检测、球员轨迹追踪、球员识别、动作事件检测、技战术策略识别等五个模块。这些模块的性能都随着其关键技术与深度神经网络模型的融合而得到改进,对篮球竞技的辅助效果日趋明显,但也受限于高质量数据集缺乏、神经网络模型多样、多模块分离等问题,智能化水平仍有待进一步提升。