Pose-Projected Action Recognition Hourglass Network (PARHN) in Soccer
Notice bibliographique
Résumé
Current research on soccer action recognition does not focus on player-level actions. We introduce the pose-projected action recognition hourglass network (PARHN) for performing player-level action recognition in soccer. This network is inspired by ARHN, a network originally introduced for hockey action recognition. PARHN has two main novelties in its structure. First, it includes an embedded pose projection component that regularizes the numerical range of the player's pose vector, by applying two separate zero-phase component analysis (ZCA)-whitening. The projected pose vector is ef-fectively learned by few succeeding layers, and significantly improves the performance of the network and its generalizationability. Second, PARHN incorporates the temporal information by having a parallel structure for extracting projected pose vectors from all frames of an input sequence and also by using Long short-term memory (LSTM) layers to integrate the pose vectors across the input frames. Also, a new dataset, named SAR4 (standing for, Soccer Action Recognition for 4 action types), is generated. It includes 1292 video sequences, in which soccer players are tracked and labeled for performing four types of action (i.e., goalkeeper diving, player shooting, receiving pass and giving pass). Introduced network achieves the overall F1-score of 88.1% on the test data, which is 20.1% better than the result of the baseline network, ARHN.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».