avtomatska analiza gibanja v izbranih moštvenih športnih igrah

40 Časovna segmentacija moˇstvenih iger
Tabela 3.1 prikazuje natančnost segmentacije v primeru, ko je bilo za učenje
posameznih modelov uporabljeno maksimalno ˇstevilo učnih vzorcev, to je 376.000
vzorcev pri koˇsarki in 331.000 vzorcev pri rokometu. Kot je razvidno iz tabele, je
bil najboljˇsi rezultat segmentacije dobljen v primeru, ko je bil za modeliranje igre
uporabljen GMM model z uteˇzenim vektorjem značilk. Glavni razlog za to je, da
je s tovrstnim vektorjem značilk moˇzno najbolje kompenzirati posebnosti, ki se
pojavljajo med igro in za dejanski potek igre niso pomembne. Prav tako lahko
na podlagi rezultatov ugotovimo, da je bila natančnost segmentacije v primeru
uporabe modela igre, ki je temeljil na metodi podpornih vektorjev (SVM uteˇzeni)
bistveno slabˇsa kljub temu, da je bil uporabljen enak vektor značilk kot v primeru
uteˇzenega GMM modela.
Natančnost segmentacije v odvisnosti od ˇstevila učnih vzorcev
Da bi preučili, kako ˇstevilo učnih vzorcev, ki jih uporabimo za učenje modela igre,
vpliva na natančnost segmentacije, smo izvedli navzkriˇzno validacijo, pri kateri
smo za učenje modela uporabili določeno količino podatkov iz petih polčasov
tekme, ˇsesti polčas pa je bil uporabljen za testiranje. ˇ Stevilo učnih vzorcev smo
spreminjali od začetnih 500 vzorcev, pa do maksimalnega ˇstevila vzorcev, kar
pomeni 310.000 vzorcev za koˇsarko oziroma 270.000 vzorcev za rokomet. Ker
so bili vzorci naključno izbrani iz učne mnoˇzice, smo eksperiment za posamezno
ˇstevilo vzorcev ponovili 20, s čimer smo se ˇzeleli znebiti vpliva izbire vzorcev na
končni rezultat.
Na podlagi analize odvisnosti rezultatov od ˇstevila učnih vzorcev, ki je
prikazana na sliki 3.6, lahko ugotovimo, da se tudi v primeru uporabe manjˇsega
ˇstevila učnih vzorcev najbolje obnese GMM model z uteˇzenim vektorjem značilk,
medtem ko v primeru SVM modela natančnost segmentacije z manjˇsanjem ˇstevila
učnih vzorcev hitro pada. Ob primerjavi različnih vektorjev značilk in iste metode
modeliranja igre pa lahko ugotovimo, da lahko v primeru uporabe uteˇzenega
vektorja značilk dobimo nekoliko boljˇsi rezultat, kot v primeru uporabe navadnega
vektorja, čeprav razlika v natančnosti ni statistično signifikantna. Iz navedenega
lahko zaključimo, da je GMM model bolj primeren za modeliranje igre ne glede
na uporabljen vektor značilk, saj omogoča natančo segmentacijo tudi v primeru,
ko je model naučen iz relativno majhnega ˇstevila vzorcev (npr. 500 vzorcev).