Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
A Markov Approximation Algorithm for Computation Offloading and Resource Scheduling in Mobile Edge Computing Kapitel lesen Erstes Kapitel lesen

2019 | OriginalPaper | Buchkapitel

Semi-automated Development of a Dataset for Baseball Pitch Type Recognition

verfasst von : Dylan Siegler, Reed Chen, Michael Fasko Jr., Shunkun Yang, Xiong Luo, Wenbing Zhao

Erschienen in: Cyberspace Data and Intelligence, and Cyber-Living, Syndrome, and Health

Verlag: Springer Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

In this paper, we report our work on developing a new dataset for baseball pitch type recognition based on youtube videos of the US Major League Baseball games. The core innovation is a largely automated procedure to extract relevant clips from the full game, and automatically label the clips by aligning the infographic information included in the broadcast and the PitchF/X data. We adopted the Needleman-Wunsch algorithm to address the challenges imposed by the aligning the two streams of data based on pitch speed, i.e., minimize gaps and mismatches between the two streams. Manual inspection is used only to select games that include infographic information for clip extraction and to remove erroneous clips for improve the quality of the dataset.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Baseball Pitch Type Recognition Based on Broadcast Videos
Nächstes Kapitel Ford Vehicle Classification Based on Extreme Learning Machine Optimized by Bat Algorithm
Literatur
1.
Chen, M., Li, Y., Luo, X., Wang, W., Wang, L., Zhao, W.: A novel human activity recognition scheme for smart health using multilayer extreme learning machine. IEEE Internet of Things J. 6(2), 1410–1418 (2018)CrossRef
2.
3.
Lun, R., Zhao, W.: A survey of applications and human motion recognition with Microsoft Kinect. Int. J. Pattern Recogn. Artif. Intell. 29(5), 1555008 (2015)CrossRef
4.
Piergiovanni, A., Fan, C., Ryoo, M.S.: Learning latent subevents in activity videos using temporal attention filters. In: Thirty-First AAAI Conference on Artificial Intelligence (2017)
5.
Simonyan, K., Zisserman, A.: Two-stream convolutional networks for action recognition in videos. In: Advances in Neural Information Processing Systems, pp. 568–576 (2014)
6.
Zhao, W.: A concise tutorial on human motion tracking and recognition with Microsoft Kinect. Sci. China Inf. Sci. 59(9), 93101 (2016)CrossRef
7.
Fast, M.: What the heck is PITCHf/x. Hardball Times Ann. 2010, 153–158 (2010)
8.
Carreira, J., Zisserman, A.: Quo vadis, action recognition? A new model and the kinetics dataset. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 6299–6308 (2017)
9.
Cao, Z., Simon, T., Wei, S.E., Sheikh, Y.: Realtime multi-person 2D pose estimation using part affinity fields. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 7291–7299 (2017)
10.
Kuehne, H., Jhuang, H., Garrote, E., Poggio, T., Serre, T.: HMDB: a large video database for human motion recognition. In: 2011 International Conference on Computer Vision, pp. 2556–2563. IEEE (2011)
11.
Soomro, K., Zamir, A.R., Shah, M.: UCF101: a dataset of 101 human actions classes from videos in the wild. arXiv preprint arXiv:​1212.​0402 (2012)
12.
Deng, J., et al.: ImageNet: a large-scale hierarchical image database. In: 2009 IEEE Conference on Computer Vision and Pattern Recognition, pp. 248–255. IEEE (2009)
13.
14.
Carreira, J., Noland, E., Banki-Horvath, A., Hillier, C., Zisserman, A.: A short note about kinetics-600. arXiv preprint arXiv:​1808.​01340 (2018)
15.
Piergiovanni, A., Ryoo, M.S.: Fine-grained activity recognition in baseball videos. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops, pp. 1740–1748 (2018)
16.
Smith, R.: An overview of the Tesseract OCR engine. In: Ninth International Conference on Document Analysis and Recognition (ICDAR 2007), vol. 2, pp. 629–633. IEEE (2007)
17.
Gotoh, O.: An improved algorithm for matching biological sequences. J. Mol. Biol. 162(3), 705–708 (1982)CrossRef
18.
Berndt, D.J., Clifford, J.: Using dynamic time warping to find patterns in time series. In: KDD Workshop, Seattle, WA, vol. 10, pp. 359–370 (1994)
19.
Chen, R., Siegler, D., Fasko Jr., M., Yang, S., Luo, X., Zhao, W.: Baseball pitch type recognition based on broadcast videos. In: Ning, H. (ed.) CyberDI 2019/CyberLife 2019. CCIS, vol. 1138, pp. 328–344. Springer, Singapore (2019)
Metadaten
Titel
Semi-automated Development of a Dataset for Baseball Pitch Type Recognition
verfasst von
Dylan Siegler
Reed Chen
Michael Fasko Jr.
Shunkun Yang
Xiong Luo
Wenbing Zhao
Copyright-Jahr
2019
Verlag
Springer Singapore
Buch
Cyberspace Data and Intelligence, and Cyber-Living, Syndrome, and Health

Print ISBN: 978-981-15-1924-6

Electronic ISBN: 978-981-15-1925-3

Copyright-Jahr: 2019

DOI
https://doi.org/10.1007/978-981-15-1925-3_25