Offensive Play Recognition of Basketball Video Footage Using ActionFormer

Dieses Kapitel befasst sich mit dem Einsatz fortgeschrittener Computervisualisierungstechniken zur Erkennung offensiver Spiele in Basketball-Videomaterial. Es beginnt mit einer Einführung in die Rolle der Technologie im Sport und die Bedeutung von Coaching. Der Hintergrundteil erklärt die Phasen von Basketballspielen und die Komplexität der Erkennung von Handlungen. Die Studie rechtfertigt die Notwendigkeit einer inhaltsbasierten Videoindizierung und die Vorteile, die sie für verschiedene Akteure im Basketball bringt. Der Datensatzabschnitt behandelt populäre Aktionserkennungsdatensätze und hebt den SpaceJam-Datensatz als den für diese Studie am besten geeigneten hervor. Ähnliche Arbeiten in diesem Bereich werden überprüft, einschließlich der jüngsten Entwicklungen bei der Aktionserkennung mittels Transformatoren und 3D-CNNs. Der Versuchsaufbau beschreibt die Vorverarbeitungsschritte und die verwendeten Modelle, einschließlich Temporal Segment Networks, Inflated-3D und Pose Estimated Convolutional 3D. Der Ergebnisabschnitt vergleicht die Leistung dieser Modelle auf dem SpaceJam-Datensatz und zeigt vielversprechende Genauigkeit bei der Unterscheidung von Aktionen. Die Schlussfolgerung fasst die Ergebnisse und das Potenzial dieser Modelle im Zusammenhang mit dem Basketball zusammen und betont ihre Fähigkeit, auf bestimmte Bereiche abgestimmt zu sein.