avtomatska analiza gibanja v izbranih moštvenih športnih igrah
avtomatska analiza gibanja v izbranih moštvenih športnih igrah
avtomatska analiza gibanja v izbranih moštvenih športnih igrah
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
3.3 Eksperimenti 39<br />
3.3.2 Eksperiment 2: Ostali vidiki segmentacije<br />
V tem poglavju bomo preučili ˇse nekatere druge vidike metode, ki prav tako<br />
vplivajo na natančnost segmentacije. Tako bomo poskuˇsali ugotoviti, koliko h<br />
končnemu rezultatu prispeva prava izbira vektorja značilk in metode modeliranja<br />
igre ter kako na rezultate segmentacije vpliva ˇstevilo učnih vzorcev, ki jih<br />
porabimo za učenje modela.<br />
Da bi preučili učinkovitost modela meˇsanice Gaussovih porazdelitev (GMM)<br />
pri modeliranju faz igre, smo ta model v fazi klasifikacije vzorcev nadomestili<br />
z modelom, ki temelji na metodi podpornih vektorjev (SVM) [62, 63, 64, 65]<br />
ter predhodno opisan eksperiment ponovili. Podrobnejˇsi opis metode podpornih<br />
vektorjev je podan v Dodatku C.2.<br />
Poleg uporabe različnega modela igre, smo preučili tudi, kako na rezultat<br />
segmentacije vpliva izbira vektorja značilk. V ta namen smo za učenje modela<br />
uporabili tri različne vektorje značilk:<br />
• V prvem primeru je bil uporabljen dvo-komponentni GMM model<br />
(GMM dvojni), ki je temeljil na vektorju značilk, dobljenem na podlagi<br />
opazovanja centroida ene same ekipe [66].<br />
• V drugem primeru je bil uporabljen ˇsest-komponentni GMM model<br />
(GMM normalni), ki je temeljil na vektorju značilk, izračunanem iz<br />
centroida obeh ekip.<br />
• V tretjem primeru pa je bil uporabljen ˇsest-komponentni GMM model<br />
(GMM uteˇzeni), ki je temeljil na uteˇzenem vektorju značilk, izračunanem<br />
iz centroida obeh ekip (poglavje 3.1).<br />
Vrsta model igre Koˇsarka Rokomet<br />
GMM dvojni 89.18 % 90.55 %<br />
SVM uteˇzeni 90.05 % 90.73 %<br />
GMM normalni 92.18 % 92.83 %<br />
GMM uteˇzeni 92.47 % 93.11 %<br />
Tabela 3.1: Povprečna natančnost segmentacije za različne modele igre v<br />
primeru uporabe maksimalnega ˇstevila učnih vzorcev.