avtomatska analiza gibanja v izbranih moštvenih športnih igrah

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.