avtomatska analiza gibanja v izbranih moštvenih športnih igrah

More documents

Recommendations

Info

38 Časovna segmentacija moˇstvenih iger 93.5 93 92.5 92 natančnost klasifikacije [%] 91.5 0 50 100 150 200 250 300 350 400 450 500 500 400 300 200 100 razmerje v številu faz [%] (a) širina filtra Neuteženi filter - košarka Neuteženi filter - rokomet Uteženi filter - košarka Uteženi filter - rokomet 0 0 50 100 150 200 250 300 350 400 450 500 (b) širina filtra Slika 3.5: Rezultati segmentacije pri uporabi različnih dolˇzin neuteˇzenega in uteˇzenega filtra. (a) Natančnost segmentacije. (b) Razmerje med ˇstevilom faz igre dobljenih s predlagano metodo in dejanskim ˇstevilom faz. ˇzelimo stabilnejˇse rezultate segmentacije. Vendar pa je potrebno v tem primeru ˇsirino filtra prilagajati ˇsportu, ki ga analiziramo.
3.3 Eksperimenti 39 3.3.2 Eksperiment 2: Ostali vidiki segmentacije V tem poglavju bomo preučili ˇse nekatere druge vidike metode, ki prav tako vplivajo na natančnost segmentacije. Tako bomo poskuˇsali ugotoviti, koliko h končnemu rezultatu prispeva prava izbira vektorja značilk in metode modeliranja igre ter kako na rezultate segmentacije vpliva ˇstevilo učnih vzorcev, ki jih porabimo za učenje modela. Da bi preučili učinkovitost modela meˇsanice Gaussovih porazdelitev (GMM) pri modeliranju faz igre, smo ta model v fazi klasifikacije vzorcev nadomestili z modelom, ki temelji na metodi podpornih vektorjev (SVM) [62, 63, 64, 65] ter predhodno opisan eksperiment ponovili. Podrobnejˇsi opis metode podpornih vektorjev je podan v Dodatku C.2. Poleg uporabe različnega modela igre, smo preučili tudi, kako na rezultat segmentacije vpliva izbira vektorja značilk. V ta namen smo za učenje modela uporabili tri različne vektorje značilk: • V prvem primeru je bil uporabljen dvo-komponentni GMM model (GMM dvojni), ki je temeljil na vektorju značilk, dobljenem na podlagi opazovanja centroida ene same ekipe [66]. • V drugem primeru je bil uporabljen ˇsest-komponentni GMM model (GMM normalni), ki je temeljil na vektorju značilk, izračunanem iz centroida obeh ekip. • V tretjem primeru pa je bil uporabljen ˇsest-komponentni GMM model (GMM uteˇzeni), ki je temeljil na uteˇzenem vektorju značilk, izračunanem iz centroida obeh ekip (poglavje 3.1). Vrsta model igre Koˇsarka Rokomet GMM dvojni 89.18 % 90.55 % SVM uteˇzeni 90.05 % 90.73 % GMM normalni 92.18 % 92.83 % GMM uteˇzeni 92.47 % 93.11 % Tabela 3.1: Povprečna natančnost segmentacije za različne modele igre v primeru uporabe maksimalnega ˇstevila učnih vzorcev.
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 44 and 45: Poglavje 3 Časovna segmentacija mo
Page 46 and 47: 28 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 106 and 107:
88 Ocenjevanje izvedbe aktivnosti z
Page 108 and 109:
Page 110 and 111:
Page 112 and 113:
Page 114 and 115:
Page 116 and 117:
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?