| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 3 MB | Adobe PDF |
Authors
Abstract(s)
The increasing demand for Artificial Intelligence (AI) technologies in sport has emerged
as a major note in recent years. Besides helping referees at crucial decision times, AI has
become a game changer, giving coaches advanced analytical capabilities that dramatically improve their teams’ training strategies, performance and athleticism during games
through AI integration of computer vision into sports applications. Through wearable
technology, this transformation has been accelerated by sensors and positioning devices
that provide valuable information, but overcome their real-time limitations through the
ability of video analytics to extract data needs to be increased.
Television (TV) AI technology in the sports industry has greatly enhanced sports coverage, transforming the viewing experience for the fans at home. This shift was driven by
the evolution of human action recognition in computer vision, which made action classification and spatio-temporal action placement an important area that has been extensively
studied through motion recognition.
While video analysis promises new applications in sports, it also presents challenges in
a variety of settings, including changes in speed, camera placement, background noise,
and field conditions during recording. Independent action detection is based on various
factors such as human position and interaction with objects. These difficulties can be
overcomed by designing segments that adequately describe motion and developing classifications based on these selected features
A good solution to video recognition problems lies in the use of DNN. Unlike traditional
machine learning, DNN are able to learn features representing specific behaviors from AI
systems without requiring extensive manual processes In this regard, this Dissertation focused on research and techniques in the field of computer vision for indoor sports, namely
Basketball.
In this work, we aim to understand the efficiency of CNN compared to other traditional
methods and develop an action recognition algorithm for Basketball games. This system
provides valuable data for coaches to monitor and improve their team’s performance. By
bridging the gap between technology and sports, this Dissertation seeks to improve Basketball research, applying deep learning techniques to data sets to find reliable solutions.
A crescente demanda por tecnologia de Inteligência Artificial na área do desporto surgiu como uma tendência proeminente e notável nos últimos anos. Para além de auxiliar os árbitros em momentos cruciais na tomada de decisões, esta surgiu como um fator de mudança, fornecendo aos treinadores capacidades analíticas avançadas que melhoram exponencialmente os métodos de treino, o desempenho e a capacidade atlética das suas equipas durante os jogos. A integração da Inteligência Artificial e da visão computacional em várias aplicações desportivas, tais como a monitorização da condição física dos jogadores, a deteção de lesões, a transmissão e a tecnologia wearable, acelerou ainda mais esta revolução. Embora os sensores e os dispositivos de localização ofereçam dados valiosos, as suas limitações em tempo real são ultrapassadas pelo potencial da análise de vídeo para extrair informações essenciais. Na indústria do desporto televisivo, a Inteligência Artificial melhorou significativamente a cobertura desportiva, transformando a experiência de visualização para os espectadores. Esta transformação tem sido possível graças à evolução do reconhecimento da ação humana no campo da visão computacional, tornando a classificação de acções e a localização espácio-temporal de acções aspectos fundamentais e extensivamente estudados. Através do reconhecimento de actividades, este estudo visa detetar e classificar eventos ou actividades pré-treinados a partir de gravações de vídeos. Neste trabalho, pretendemos compreender a eficácia das Redes Neurais Convolucionais (Convolutional Neural Networks (CNN)) em comparação com outros métodos tradicionais e desenvolver um sistema de baixo custo e alto rendimento para o reconhecimento de ações durante um jogo de Basquetebol. Este sistema fornece dados importantes aos treinadores para avaliar e melhorar o desempenho da sua equipa. Através da união entre tecnologia e desporto, esta Dissertação visa melhorar a análise de Basquetebol, explorando soluções fiáveis através da aplicação de métodos aprendizagem profunda (Deep Learning (DL)) ao conjunto de dados.
A crescente demanda por tecnologia de Inteligência Artificial na área do desporto surgiu como uma tendência proeminente e notável nos últimos anos. Para além de auxiliar os árbitros em momentos cruciais na tomada de decisões, esta surgiu como um fator de mudança, fornecendo aos treinadores capacidades analíticas avançadas que melhoram exponencialmente os métodos de treino, o desempenho e a capacidade atlética das suas equipas durante os jogos. A integração da Inteligência Artificial e da visão computacional em várias aplicações desportivas, tais como a monitorização da condição física dos jogadores, a deteção de lesões, a transmissão e a tecnologia wearable, acelerou ainda mais esta revolução. Embora os sensores e os dispositivos de localização ofereçam dados valiosos, as suas limitações em tempo real são ultrapassadas pelo potencial da análise de vídeo para extrair informações essenciais. Na indústria do desporto televisivo, a Inteligência Artificial melhorou significativamente a cobertura desportiva, transformando a experiência de visualização para os espectadores. Esta transformação tem sido possível graças à evolução do reconhecimento da ação humana no campo da visão computacional, tornando a classificação de acções e a localização espácio-temporal de acções aspectos fundamentais e extensivamente estudados. Através do reconhecimento de actividades, este estudo visa detetar e classificar eventos ou actividades pré-treinados a partir de gravações de vídeos. Neste trabalho, pretendemos compreender a eficácia das Redes Neurais Convolucionais (Convolutional Neural Networks (CNN)) em comparação com outros métodos tradicionais e desenvolver um sistema de baixo custo e alto rendimento para o reconhecimento de ações durante um jogo de Basquetebol. Este sistema fornece dados importantes aos treinadores para avaliar e melhorar o desempenho da sua equipa. Através da união entre tecnologia e desporto, esta Dissertação visa melhorar a análise de Basquetebol, explorando soluções fiáveis através da aplicação de métodos aprendizagem profunda (Deep Learning (DL)) ao conjunto de dados.
Description
Keywords
Action Recogni-Tion Artificial Intelligence Basketball Convolutional Neural Networks Deep Learning Deep Neural Networks Image and Video Process-Ing Sport Video Analysis Sports Analytics