avtomatska analiza gibanja v izbranih moštvenih športnih igrah

More documents

Recommendations

Info

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).
3.3 Eksperimenti 41 93 92 91 90 89 88 87 86 85 natančnost segmentacije [%] GMM_robustni GMM_normalni SVM 0 0.5 1 1.5 2 2.5 3 3.5 x 10 5 84 št. učnih vzorcev 94 92 90 88 86 84 natančnost segmentacije [%] (a) GMM_robustni GMM_normalni SVM 0 0.5 1 1.5 2 2.5 3 x 10 5 82 3.5 št. učnih vzorcev (b) Slika 3.6: Rezultati segmentacije pri uporabi različnega ˇstevila učnih vzorcev. (b) Rokomet. Črtkane črte ponazarjajo standardni odklon rezultatov. (a) Koˇsarka.
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 108 and 109:
90 Ocenjevanje izvedbe aktivnosti z
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

Create successful ePaper yourself

Delete template?

Save as template?