avtomatska analiza gibanja v izbranih moštvenih športnih igrah
avtomatska analiza gibanja v izbranih moštvenih športnih igrah
avtomatska analiza gibanja v izbranih moštvenih športnih igrah
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
42 Časovna segmentacija moˇstvenih iger<br />
Čas učenja modela<br />
Poleg natančnosti je pomemben vidik segmentacije tudi čas njenega izvajanaja.<br />
Slika 3.7(a) prikazuje razmerje med časom učenja modela in ˇstevilom učnih<br />
vzorcev. Na sliki 3.7(b) pa je prikazana odvisnost med časom segmentacije enega<br />
polčasa tekme in ˇstevilom učnih vzorcev. Kot je razvidno iz obeh slik, je v primeru<br />
uporabe SVM modela čas za učenje in segmentacijo zelo odvisen od ˇstevila učnih<br />
vzorcev, saj se s povečevanjem ˇstevila učnih vzorcev čas učenja bistveno poveča.<br />
Tako je v primeru uporabe nekaj 100 učnih vzorcev čas učenja nekaj sekund pri<br />
povečevanju ˇstevila vzorcev na nekaj 100.000 pa se čas učenja modela poveča na<br />
nekaj ur. Prav tako linearno naraˇsča čas segmentacije in sicer iz nekaj sekund na<br />
nekaj minut. Razlog za to je v načinu zapisa SVM modela, saj se s povečevanjem<br />
učnih vzorcev povečuje tudi ˇstevilo podpornih vektorjev, ki jih uporabimo za<br />
zapis hiperravnine, ki razmejuje posamezne razrede vzorcev. V primeru GMM<br />
modela se čas učenja s ˇstevilom učnih vzorcev povečuje linearno od nekaj sekund<br />
na nekaj minut.<br />
Čas segmentacije pa je v tem primeru popolnoma neodvisen od<br />
ˇstevila učnih vzorcev in je odvisen zgolj od ˇstevila komponent, ki jih uporabimo<br />
za modeliranje posamezne faze igre.
Change language