avtomatska analiza gibanja v izbranih moštvenih športnih igrah
avtomatska analiza gibanja v izbranih moštvenih športnih igrah avtomatska analiza gibanja v izbranih moštvenih športnih igrah
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 56 and 57: 38 Časovna segmentacija moˇstveni
- Page 58 and 59: 40 Časovna segmentacija moˇstveni
- Page 60 and 61: 42 Časovna segmentacija moˇstveni
- Page 62 and 63: 44 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 86 and 87: 68 Ocenjevanje izvedbe aktivnosti z
- Page 88 and 89: 70 Ocenjevanje izvedbe aktivnosti z
- Page 90 and 91: 72 Ocenjevanje izvedbe aktivnosti z
- Page 92 and 93: 74 Ocenjevanje izvedbe aktivnosti z
- Page 94 and 95: 76 Ocenjevanje izvedbe aktivnosti z
- Page 96 and 97: 78 Ocenjevanje izvedbe aktivnosti z
- Page 98 and 99: 80 Ocenjevanje izvedbe aktivnosti z
- Page 100 and 101: 82 Ocenjevanje izvedbe aktivnosti z
- Page 102 and 103: 84 Ocenjevanje izvedbe aktivnosti z
- Page 104 and 105: 86 Ocenjevanje izvedbe aktivnosti z
- Page 108 and 109: 90 Ocenjevanje izvedbe aktivnosti z
- Page 110 and 111: 92 Ocenjevanje izvedbe aktivnosti z
- Page 112 and 113: 94 Ocenjevanje izvedbe aktivnosti z
- Page 114 and 115: 96 Ocenjevanje izvedbe aktivnosti z
- Page 116 and 117: 98 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
5.4 Eksperimenti 89<br />
Ocene aktivnosti [%]<br />
Tip ˇsablone 52 flex motion slovan1 slovan2 slovan3 slovan4<br />
52 0.89 0.17 0.045 0.01 0.02 0.03 0.11<br />
flex 0.11 0.87 0.03 0.29 0.32 0.08 0.17<br />
motion 0.02 0.02 0.91 0.00 0.00 0.14 0.16<br />
slovan1 0.11 0.08 0.22 0.99 0.91 0.80 0.81<br />
slovan2 0.04 0.06 0.14 0.78 0.95 0.80 0.71<br />
slovan3 0.01 0.02 0.10 0.24 0.49 0.97 0.92<br />
slovan4 0.01 0.01 0.01 0.02 0.12 0.64 0.96<br />
atlanta 0.12 0.33 0.08 0.04 0.06 0.12 0.17<br />
california 0.06 0.02 0.02 0.00 0.00 0.03 0.06<br />
double 0.05 0.11 0.16 0.01 0.01 0.04 0.06<br />
fist 0.03 0.04 0.22 0.00 0.00 0.02 0.10<br />
five 0.16 0.15 0.13 0.15 0.14 0.14 0.32<br />
greenville 0.07 0.08 0.17 0.01 0.01 0.01 0.15<br />
indiana 0.03 0.09 0.04 0.00 0.00 0.01 0.09<br />
jacksonville 0.02 0.03 0.04 0.03 0.04 0.02 0.08<br />
jersey 0.09 0.28 0.04 0.09 0.11 0.16 0.28<br />
middle 0.011 0.06 0.06 0.02 0.02 0.04 0.16<br />
russellRight 0.05 0.03 0.03 0.07 0.02 0.09 0.10<br />
transition 0.18 0.11 0.02 0.01 0.02 0.03 0.07<br />
turnover 0.13 0.09 0.05 0.01 0.01 0.09 0.11<br />
ucla 0.19 0.10 0.04 0.01 0.01 0.04 0.011<br />
Min. enaka 0.76 0.72 0.74 0.97 0.80 0.89 0.92<br />
Max. različna 0.34 0.54 0.38 0.20 0.23 0.42 0.49<br />
Tabela 5.5: Povprečna ocena, izraˇzena v obliki normirane a posteriori verjetnosti<br />
pnorm(aktivnost = da|e). Najboljˇsa povprečna ocena za posamezno vrsto<br />
aktivnosti je prikazana odebeljeno. Spodnji dve vrstici prikazujeta minimalno<br />
oceno aktivnosti za primer, ko sta bili aktivnost in ˇsablona istega tipa in<br />
maksimalno oceno v primerih, ko sta se razlikovali.<br />
tega lahko zaključimo, da je predlagano metodo mogoče uporabiti za ocenjevanje<br />
uspeˇsnosti izvedbe aktivnosti.<br />
Druga pomembna informacija, ki jo poleg ocene izvedbe aktivnosti lahko<br />
pridobimo iz mreˇze, je informacija o tem, koliko so k skupni oceni prispevali<br />
posamezni igralci oziroma kateri izmed igralcev je svojo vlogo odigral najbolje in<br />
kateri najslabˇse. Slika 5.12 prikazuje Bayesovo mreˇzo za aktivnost tipa ”Flex”,<br />
ki je bila slabˇse izvedena.<br />
Ob podrobni preučitvi mreˇze lahko ugotovimo, da nosita največji deleˇz krivde<br />
za slabˇse odigran napad drugi in peti igralec (p2 in p5), ki sta za svojo igro<br />
dobila najslabˇse ocene. Prav tako lahko ugotovimo, da je bil vzrok za njuno zelo<br />
nizko oceno ta, da nista odigrala zadnje blokade (BLOK 5-2), poleg tega pa drugi<br />
igralec ni izvedel ˇse ene blokade (BLOK 1-2).
Change language