avtomatska analiza gibanja v izbranih moštvenih športnih igrah

More documents

Recommendations

Info

88 Ocenjevanje izvedbe aktivnosti z uporabo ˇsablon aktivnosti posamezne akcije, ki jih potrebujemo pri ocenjevanju aktivnosti s Petrijevo mreˇzo, pred vsakim testiranjem iz učne mnoˇzice odstarnili vzorec, ki smo ga testirali. Namen opravljenih eksperimentov je bil ugotoviti, ali je z opisanima postopkoma ocenjevanja aktivnosti mogoče oceniti, če je bila aktivnost izvedena v skladu s predpisano ˇsablono. Pri tem smo predpostavili, da morajo biti aktivnosti, ki ustrezajo ˇsabloni, ocenjene bistveno bolje od tistih, ki ˇsabloni ne ustrezajo. Poleg ocene pa smo ˇzeleli ugotoviti, ali je mogoče pravilno določiti tudi fazo oziroma stopnjo, do katere je bila posamezna aktivnost odigrana. Za eksperimentalno validacijo ocenjevanja aktivnosti z Bayesovimi mreˇzami je bilo uporabljeno orodje, ki ga je razvil Kevin Murphy [87], pri ocenjevanju z uporabo Petrijevih mreˇz pa je bilo uporabljeno orodje, ki so ga razvili Muˇsič in drugi [88]. 5.4.1 Eksperiment 1: Ocenjevanje z uporabo Bayesove mreˇze Tabela 5.4.1 prikazuje povprečne ocene za posamezno vrsto aktivnosti pri uporabi metode Bayesovih mreˇz. Ker so bile pri testiranju uporabljene zelo dobro in nekoliko slabˇse izvedene aktivnosti, so rezultati predstavljeni s povprečno oceno, poleg tega pa so na dnu tabele predstavljene tudi minimalne ocene za primere, ko sta bili aktivnost in ˇsablona istega tipa ter maksimalne ocene za primere, ko sta se tip ˇsablone in aktivnosti razlikovala. Pri določanju maksimalne vrednosti napačne ocene za aktivnosti tipa ”Slovan” ocen za aktivnosti tega tipa bile upoˇstevene, saj gre za isto aktivnost z različno dolˇzino izvedbe. Ocena aktivnosti je bila podana kot normirana a posteriori verjetnost, da je bila aktivnost uspeˇsno odigrana pnorm(akcijai = da|e). Ocena se lahko giblje v intervalu [0 . . .1], pri čemer ocena 1 predstavlja aktivnost, ki je bila izvedena idealno. Na podlagi rezultatov v tabeli 5.4.1 lahko zaključimo, da je z uporabo nabora mreˇz, ki predstavljajo različne tipe aktivnosti, mogoče določiti, kakˇsno vrsto aktivnosti je ekipa odigrala. Kot lahko vidimo, je v primeru, ko se tip odigrane aktivnosti in tip ˇsablone ujemata, povprečna ocena aktivnosti kar trikrat viˇsja kot v nasprotnem primeru. Prav takˇsen zaključek bi bilo moˇzno narediti tudi ob pogledu minimalnih in maksimalnih vrednosti ocen, kjer lahko ugotovimo, da je bila pozitivno ocenjena zgolj ena aktivnost, ki ni ustrezala ˇsabloni pa ˇse v tem primeru je bila ocena te aktivnosti komajda pozitivna (z vrednostjo 0.54). Iz
5.4 Eksperimenti 89 Ocene aktivnosti [%] Tip ˇsablone 52 flex motion slovan1 slovan2 slovan3 slovan4 52 0.89 0.17 0.045 0.01 0.02 0.03 0.11 flex 0.11 0.87 0.03 0.29 0.32 0.08 0.17 motion 0.02 0.02 0.91 0.00 0.00 0.14 0.16 slovan1 0.11 0.08 0.22 0.99 0.91 0.80 0.81 slovan2 0.04 0.06 0.14 0.78 0.95 0.80 0.71 slovan3 0.01 0.02 0.10 0.24 0.49 0.97 0.92 slovan4 0.01 0.01 0.01 0.02 0.12 0.64 0.96 atlanta 0.12 0.33 0.08 0.04 0.06 0.12 0.17 california 0.06 0.02 0.02 0.00 0.00 0.03 0.06 double 0.05 0.11 0.16 0.01 0.01 0.04 0.06 fist 0.03 0.04 0.22 0.00 0.00 0.02 0.10 five 0.16 0.15 0.13 0.15 0.14 0.14 0.32 greenville 0.07 0.08 0.17 0.01 0.01 0.01 0.15 indiana 0.03 0.09 0.04 0.00 0.00 0.01 0.09 jacksonville 0.02 0.03 0.04 0.03 0.04 0.02 0.08 jersey 0.09 0.28 0.04 0.09 0.11 0.16 0.28 middle 0.011 0.06 0.06 0.02 0.02 0.04 0.16 russellRight 0.05 0.03 0.03 0.07 0.02 0.09 0.10 transition 0.18 0.11 0.02 0.01 0.02 0.03 0.07 turnover 0.13 0.09 0.05 0.01 0.01 0.09 0.11 ucla 0.19 0.10 0.04 0.01 0.01 0.04 0.011 Min. enaka 0.76 0.72 0.74 0.97 0.80 0.89 0.92 Max. različna 0.34 0.54 0.38 0.20 0.23 0.42 0.49 Tabela 5.5: Povprečna ocena, izraˇzena v obliki normirane a posteriori verjetnosti pnorm(aktivnost = da|e). Najboljˇsa povprečna ocena za posamezno vrsto aktivnosti je prikazana odebeljeno. Spodnji dve vrstici prikazujeta minimalno oceno aktivnosti za primer, ko sta bili aktivnost in ˇsablona istega tipa in maksimalno oceno v primerih, ko sta se razlikovali. tega lahko zaključimo, da je predlagano metodo mogoče uporabiti za ocenjevanje uspeˇsnosti izvedbe aktivnosti. Druga pomembna informacija, ki jo poleg ocene izvedbe aktivnosti lahko pridobimo iz mreˇze, je informacija o tem, koliko so k skupni oceni prispevali posamezni igralci oziroma kateri izmed igralcev je svojo vlogo odigral najbolje in kateri najslabˇse. Slika 5.12 prikazuje Bayesovo mreˇzo za aktivnost tipa ”Flex”, ki je bila slabˇse izvedena. Ob podrobni preučitvi mreˇze lahko ugotovimo, da nosita največji deleˇz krivde za slabˇse odigran napad drugi in peti igralec (p2 in p5), ki sta za svojo igro dobila najslabˇse ocene. Prav tako lahko ugotovimo, da je bil vzrok za njuno zelo nizko oceno ta, da nista odigrala zadnje blokade (BLOK 5-2), poleg tega pa drugi igralec ni izvedel ˇse ene blokade (BLOK 1-2).
Page 1:
Univerza v Ljubljani Fakulteta za e
Page 5:
Zahvala ”Čeprav si igral tekmo s
Page 8 and 9:
Na podlagi segmentacije dobimo mno
Page 11 and 12:
Abstract This thesis is focused on
Page 13:
developed system is a result of col
Page 16 and 17:
3.2.1 Klasifikacija posameznih vzor
Page 18 and 19:
ˇZivljenjepis 145 Bibliografija 14
Page 20 and 21:
2 Uvod Na vseh naˇstetih področji
Page 22 and 23:
4 Uvod kar M n različnih stanj. V
Page 24 and 25:
6 Uvod 1.1.1 Hierarhična analiza s
Page 26 and 27:
8 Uvod mnoˇzico ˇsablon, ki so sh
Page 28 and 29:
10 Uvod člankov lahko ugotovimo, d
Page 30 and 31:
12 Uvod in hitrosti gibanja, ki sta
Page 32 and 33:
14 Uvod pa je ponazorjeno s prehodi
Page 34 and 35:
16 Uvod akcij) uporabljena dognanja
Page 36 and 37:
18 Struktura moˇstvenih iger in pr
Page 38 and 39:
Page 40 and 41:
Page 42 and 43:
Page 44 and 45:
Poglavje 3 Časovna segmentacija mo
Page 46 and 47:
28 Časovna segmentacija moˇstveni
Page 48 and 49:
Page 50 and 51:
Page 52 and 53:
Page 54 and 55:
Page 56 and 57: 38 Časovna segmentacija moˇstveni
Page 64 and 65: Poglavje 4 Razpoznavanje aktivnosti
Page 66 and 67: 48 Razpoznavanje aktivnosti ta nač
Page 68 and 69: 50 Razpoznavanje aktivnosti wn = N(
Page 70 and 71: 52 Razpoznavanje aktivnosti 4.2 Raz
Page 72 and 73: 54 Razpoznavanje aktivnosti teh pra
Page 74 and 75: 56 Razpoznavanje aktivnosti Celotno
Page 76 and 77: 58 Razpoznavanje aktivnosti Igralec
Page 78 and 79: 60 Razpoznavanje aktivnosti lahko p
Page 80 and 81: 62 Razpoznavanje aktivnosti 0.9 0.8
Page 82 and 83: Poglavje 5 Ocenjevanje izvedbe akti
Page 84 and 85: 66 Ocenjevanje izvedbe aktivnosti z
Page 118 and 119: Poglavje 6 Prototipni sistem za ana
Page 120 and 121: 102 Prototipni sistem za analizo mo
Page 122 and 123: 104 Prototipni sistem za analizo mo
Page 124 and 125: 106 Zaključki Prispevek 1: Metoda
Page 126 and 127: 108 Zaključki je mogoče iz ˇsabl
Page 128 and 129: Literatura 110 [1] L. Wang, W. Hu,
Page 130 and 131: 112 Literatura Bayesian networks. C
Page 132 and 133: 114 Literatura [39] F. Li. Descript
Page 134 and 135: 116 Literatura [59] W. S. Erdmann.
Page 136 and 137: 118 Literatura [81] Kurt Jensen. Co
Page 138 and 139: 120 Literatura [104] Nikola Paveˇs
Page 140 and 141: 122 Dodatek ˇSablona ”Motion”
Page 142 and 143: 124 Dodatek ˇSablona ”Middle”
Page 144 and 145: 126 Dodatek Aktivnost Korespondenca
Page 146 and 147: 128 Dodatek ˇSablone akt 52 fl mot
Page 148 and 149: 130 Dodatek p(xj|Θ) = = K αk · N
Page 150 and 151: 132 Dodatek C.2.1 Linearna klasifik
Page 152 and 153: 134 Dodatek −γ||xi−xj|| 2 KRBF
Page 154 and 155: 136 Dodatek tega pa predvidimo tudi
Page 156 and 157:
138 Dodatek pa spremenljivka zavzam
Page 158 and 159:
140 Dodatek • preslikava I : P
Page 160 and 161:
142 Dodatek koraku lahko tako pride
Page 162 and 163:
144 Dodatek
Page 164 and 165:
146 Izobrazba ˇ Zivljenjepis 1998
Page 166 and 167:
148 Objavljena dela [7] M. Perˇse,
Page 168 and 169:
150 Objavljena dela [22] J. Perˇs,
show all

avtomatska analiza gibanja v izbranih moštvenih športnih igrah

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?