软件X 12（2020）100612原始软件出版物SoccER：计算机图形学与体育分析相结合，用于足球赛事识别Lia Morra，Francesco Manigrasso，Fabrizio LambertiPolitecnico di Torino，Dipartimento di Automatica e Informatica，都灵，意大利ar t i cl e i nf o文章历史记录：接收日期：2020年收到修订版2020年10月6日接受2020年保留字：体育分析计算机图形事件检测足球赛事识别游戏模拟器a b st ra ct从图像或可穿戴传感器中自动检测事件是开发高级体育分析和广播软件的基本步骤。然而，大规模体育数据集的收集和标注受到技术障碍、数据获取和标注成本以及商业利益的阻碍。在本文中，我们提出了足球事件识别（SoccER）数据生成器，它建立在现有的，高质量的开源游戏引擎，使合成数据生成。该软件从模拟的足球比赛中生成详细的时空数据，以及自动生成的细粒度事件地面实况。SoccER软件套件还包括一个完整的事件检测系统，该系统完全在一个合成数据集上开发和测试，包括500分钟的比赛和超过100万个事件。最后，我们讨论了未来的研究途径，在体育赛事识别使用合成数据。©2020作者由爱思唯尔公司出版这是CC BY-NC-ND下的开放获取文章许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。代码元数据当前代码版本v1用于此代码版本的代码/存储库的永久链接https://github.com/ElsevierSoftwareX/SOFTX-D-20-00016可复制胶囊的永久链接法律代码许可证MIT使用git的代码版本控制系统软件代码使用的语言、工具和服务python、C++、Etalis编译要求、操作环境依赖性python 3.6如果可用，链接到开发人员文档/手册https://gitlab.com/grains2/slicing-and-dicing-soccer/-/blob/master/README.md问题支持电子邮件lia. polito.it1. 动机和意义现代职业体育，特别是足球，篮球或足球等流行游戏，越来越多地通过收集和分析关于未来和当前球员，团队表现，球迷及其互动的大量数据来支持[1各大联盟正在为其体育场改造广泛的数据采集功能，包括可穿戴技术和全高清、多视图、固定摄像机阵列[1，4]。可穿戴传感器和跟踪器（从背心到嵌入鞋中的GPS跟踪器）可以在训练过程中获取详细数据，有时甚至是比赛。各种*通讯作者。电子邮件地址：polito.it（L. Morra）。https://doi.org/10.1016/j.softx.2020.100612已经提出了负担得起的传感器，这些传感器也越来越多地被低水平和业余联赛使用。据估计，最新和技术最先进的体育场每月可以收集高达50 TB的数据[1]。虚拟现实和增强现实等新兴技术能够利用关于玩家位置和移动的详细信息检测足球中的相关事件是许多广播、性能分析和沉浸式重放应用的基本组成部分[2，3，5，8它已经使用了各种技术，包括机器学习方法，模糊逻辑和隐马尔可夫模型[2]。然而，这一领域的科学进展受到缺乏适当的公共注释的阻碍，2352-7110/©2020作者。由爱思唯尔公司出版。这是一篇开放获取的文章，使用CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表SoftwareX期刊主页：www.elsevier.com/locate/softxL. Morra，F.Manigrasso和F.Lamberti软件X 12（2020）1006122Fig. 1. S o c c E R 存储库的整体组织。SoccER数据生成器基于Gameplay引擎，输出所有玩家的时空位置以及CVAT格式的地面实况注释。根据时空位置的分析，两阶段事件检测器识别原子（例如，踢球，控球）和复杂事件（例如，通过）。最后，使用验证器脚本和可视化系统评估性能数据集，因为体育运动中产生的大部分数据都是私人拥有的。目前，很少有足球数据集，没有一个是完全适合细粒度事件检测的问题SoccerNet数据集包含大量的广播足球视频[11]，但注释仅限于可以从联赛网站提供的比赛报告中解析的事件（进球，黄/红牌和换人）。多视角、固定的摄像机设置具有覆盖整个场地的优势，从而提供了对比赛的完整覆盖，但公共数据集很小[4]。一些大规模的数据存储库提供了有关足球比赛中发生的事件的详细时空信息[12]，但没有提供整个比赛的视频源或球员坐标;遗憾的是，事件检测算法需要能够区分感兴趣的事件和背景，因此必须在原始数据源上进行训练。合成数据生成是一种经济实惠的解决方案，获取或手动标记的成本非常高，并且已经用于各种计算机视觉任务[13]。在这项工作中，我们提出了足球事件识别（SoccER）生成器，这是一种经过修改的游戏引擎，可以为足球比赛生成完整的注释时空数据，我们展示了如何使用它来开发和评估事件检测系统[3]。2. 软件描述SoccER软件库包括几个不同的模块。该系统的核心是SoccER生成器，这是Gameplay Football引擎的修改版本[14]。生成器输出完整的注释游戏，包括视频、所有玩家的时空位置和地面实况事件。我们还提供了SoccER事件检测工具的软件，该工具在以前的出版物中有详细描述[3]，作为使用SoccER数据生成器开发的事件检测系统的示例。SoccER检测算法基于时间逻辑，并检测比赛期间发生的各种事件。最后，存储库提供了辅助Python脚本，包括验证脚本和可视化工具，以评估所获得的结果。整个过程的概述报告在图。1 .一、2.1. SoccER数据发生器SoccER建立在Gameplay足球模拟器的基础上，这是一个开源引擎，根据标准规则实现了一场完整的足球比赛，每支球队有11名球员，包括所有最常见的事件，如进球，犯规，角球，点球等。在可用的开源模拟器中，Gameplay Football被认为是图形质量和游戏物理准确性方面的最佳选择;作为开源引擎，还可以根据需要对其进行检查、改进和修改。该环境通过基于规则的机器人控制对手球队，该机器人包含在原始的游戏足球模拟器中[14，15]。修改了C++游戏引擎，以便定义、提取和保存训练和验证事件检测系统所需的地面实况实现游戏引擎的主要类如图所示。二、每个类导出一个Process（）方法，在每一帧调用该方法来更新游戏状态; Match：：Process（）方法调用Process（）方法来更新每个球员、球队、球或裁判的状态。为了记录事件，我们在需要时修改了Process（）方法，并实现了一个额外的Logger类，它从仿真的图形对象，以及由播放器和/或机器人发出的命令记录器还以xml或文本格式导出数据。地面实况中包含的事件类型，分为原子事件和复杂事件，以及每个事件的可用信息，如表1所示。2.1.1. 原子事件注释原子事件在空间和时间上都是局部的，因此它们在很短的时间窗口内只涉及一个或两个玩家。然后，通过记录触发特定动画执行的事件，具体来说，进球事件已经被游戏引擎检测到，因此它们被相应地导出.铲球是一种决斗事件，发生在一名球员试图从另一名球员那里获得对球的控制权它们被记录在Match：：Process（）方法中，在该方法中，攻击者和受害者玩家被识别，以及动作的结果，以便触发正确的动画。L. Morra，F.Manigrasso和F.Lamberti软件X 12（2020）1006123图二. 在游戏体系结构中实现游戏引擎的主要类：球，裁判，球队和球员类。每个播放器对象都与一个人形对象相关联，人形对象处理其关联的图形资源和动画。表1为地面实况中的每个事件提取的关联数据原子事件相关数据KickingTheBallFrameID，PlayerID，Position，TeamID控球FrameID，球员ID，位置，球队ID，最接近目标线的PlayerID处理FrameID、PlayerID、Position、OffensiveTeamID、VictimTeamIDBallDeflectionFrameID，PlayerID，Position，TeamIDBallOutFrameID目标FrameID、PlayerID、TeamID复杂事件相关数据传递开始帧ID、结束帧ID、播放器ID、接收播放器ID、团队IDPassThenGoal开始帧ID，结束帧ID，播放器ID，接收PlayerID、TeamID过滤通过开始帧ID，结束帧ID播放器ID，接收PlayerID、TeamIDFilterPassThenGoal开始帧ID、结束帧ID、播放器ID、接收PlayerID、TeamID交叉开始帧ID、结束帧ID、播放器ID、接收播放器ID、团队IDCrossThenGoal开始帧ID，结束帧ID，播放器ID，接收PlayerID、TeamID处理Start FrameID、End FrameID、PlayerID、Offensive PlayerID、VictimPlayerID镜头开始帧ID、结束帧ID、PlayerID、TeamIDShotThenGoal开始帧ID、结束帧ID、玩家ID、团队IDSavedShot开始帧ID、结束帧ID、玩家ID、团队ID，守门员PlayerID，守门员TeamID，射门位置犯规开始帧ID、结束帧ID、进攻球员ID、受害者球员ID游戏引擎通过方法Player：：HasUniquePossession（）获得球的所有权，如果玩家是唯一控制或靠近球的人，则返回true，否则为假，例如在Tackle的情况下。在每一帧，所有的球员对象被查询，以生成相应的BallPossession事件。犯规和BallOut事件通过Reflection：：Process（）方法检测，该方法连续监视比赛中的犯规以及球相对于外地BallOut事件是通过Reactive：：Process（）方法检测的，该方法监视球相对于场地的位置。当 相 应 的 动 画 被 激 活 时 ， 将 触 发 BallDeflection 和KickingTheBall 事 件 。 具 体 来 说 ， KickingTheBall 事 件 是 为ShortPass、LongPass、HighPass或Shot动画生成的，即所有需要球员踢球的动作。2.1.2. 复杂事件标注对于复杂的事件，这可能涉及多个玩家在一个较长的时间跨度，我们设计和实现了一组有限状态机（FSM），观察玩家和/或游戏机器人的动作。复杂事件的几个系列的FSMs，即传球，进球，射门和铲球，在图中报告。3和4所示。让我们考虑传球和传中的家族（图3），它们代表了足球比赛中的大多数事件。传球被定义为在同一队的两名球员之间转移球权的动作。FSM识别出，当一个相应的动画被激活时，一个传球被发起;让我们回想一下，在这种情况下，KickingTheBall原子事件也被生成。当一个新的球员控球时，FSM检查动作是否成功，即，接收玩家属于同一队以生成地面实况事件。交叉项目与传球项目的区别在于发起传球的球员的位置（场内或场外）。过滤传球是一种特殊的传球方式，与前一种情况不同对方的球队。在故障通过的情况下，即，接收方属于 到对方球队，有可能产生的事件， 标记为失败，或返回到空闲状态而不生成任何事件。建议的输出数据格式支持这两个选项，但我们只记录失败的事件，在交叉的情况下，这是比正常的通行证频率较低然而，通过微小的修改，也可以记录故障通过事件。当一个人的一个目标的接收器得分，传递-生成ThenGoal、CrossThenGoal或FilteringPassThenGoal事件，如图所示。3 .第三章。2.1.3. 输出格式除了地面实况，SoccER生成器还为每个帧导出23个（x， y）坐标对：22个用于两个球队的球员，一个用于球。输出为文本格式，每行包含以下字段：产品名称：B2B（ 1）由方程式（1）帧是帧号，ID标识单个球员或球，对于第一队，编码在[116，127]范围内，对于对方队，编码在[129，140]范围内，对于球，编码在128范围内，而x和y是相对于场角之一的坐标，分别在范围[0，110]和[0，72]中。我们采用了Alfheim数据集中使用的相同场地坐标系，其中包括从可穿戴跟踪器获得的球员位置[4]。由于不会导出沿z轴的位置，因此需要手动标记一些最值得注意的例外是球门事件，因为球的高度需要了解球是在横梁下方还是上方越过球门线。为了允许通过额外的手动标记进一步扩展地面实况的可能性，我们在计算机视觉注释工具（CVAT）支持的格式中导出注释，CVAT是一种用于视频标记和标记的开源工具原子事件和复杂事件的注释的示例在图1和图2中报告。5a和5b分别。L. Morra，F.Manigrasso和F.Lamberti软件X 12（2020）1006124图三. 用于检测pass和PassthenGoal事件家族的事件状态机。传球是由踢球命令发起的，如果符合以下条件，则成功结束接收球员来自同一队，否则该事件被标记为失败。根据先发球员和接球球员的位置，传球可能被进一步认为是交叉或过滤通过。如果在传球后立即得分，则会生成Passthengoal复杂事件;任何其他事件都会重置状态为空闲。图四、 有限状态机检测镜头事件族。视频以1920 x 1080 px（FullHD）的分辨率和25 fps的帧率录制。运动员相对于视频帧的边界框也包括在地面实况中。因此，原则上可以设计一种事件检测系统，其可以将时空数据、视频记录或两者作为输入。一个可视化系统允许我们可视化和导出叠加球员边界框，地面实况注释和检测到的事件的图像;图中显示了一个例子。 六、2.2. SoccER事件检测器在前人工作[3，10]的基础上，我们设计了一个事件检测系统，分为原子事件检测器和复杂事件检测器两个不同的模块。前者从从数据生成器获得的位置数据开始，实现一组规则来识别原子事件。滑动窗口允许我们确定特定间隔中的位置数据L. Morra，F.Manigrasso和F.Lamberti软件X 12（2020）1006125图五. XML格式的带注释的原子事件（a）和复杂事件（b）的示例（分别为AnnotationsAtomicEvents.xml和AnnotationsComplexEvents.xml文件）。每个事件具有多个属性，包括ID、标签（事件类型）、帧号、坐标、玩家和团队ID。而不是一个具有不同角色的玩家（即，发送者、接收者），以及指示动作是否成功的结果。复杂事件记录为轨道中的CVAT格式，因为它涵盖了多个帧。见图6。 由游戏性足球引擎生成的场景示例，具有叠加的地面实况边界框和每个球员和球的ID。的地面实况和检测到的事件也覆盖在场景的底部：在该帧中，正确地检测到拍摄尝试后者使用时态或逻辑运算符将复杂事件表示为原子事件的组合。选择具有组合算子的时间区间逻辑（TILCO），因为它们支持定性和定量时间排序，在两个连续事件之间的持续时间和距离方面施加约束。一套定义明确的规则管理着体育运动，ITL为比赛中发生的事件提供了富有表现力但紧凑的每个事件定义是根据欧洲足球协会联盟（UEFA）的官方规则进行双重检查的。我们总共定义了9个原子事件和12个复杂事件。我们在这里报告两个例子，每种类型一个，并请读者参考我们以前的出版物[3]进行完整的分析。一个KickingTheBall（原子）事件包括一个简单的踢，旨在执行一个十字架，传球或投篮。球应该在整个伊布窗口k内远离球员，L. Morra，F.Manigrasso和F.Lamberti软件X 12（2020）1006126−−突然加速和最终加速。KickingTheBall，t，L=KickingPlayer，pi球，被踢物体，b球球员（pi），球（b），距离（pi，b，t）Tid1 Event_2 [OP > Event_N ]WHERE（L是条件集）在Etalis语言中，第2.2节中定义的Pass事件实现如下：传球（Kf，Bf，KpId，KtId，BpId）踢球（Kf，KpId，KtId，Kx，Ky）SEQ球占有（Bf，BpId，BtId，Bx，By，BootdpId，BootdpId，Bootdpx，Bootdpy）哪里（KtId=BtId，Bf >Kf，Bf− Kf 150）。见图7。 复杂事件处理器的软件体系结构。只要kickingTh- eBall的实例后面跟着ballPossession的实例，seq运算符就为true 。输入参数包括事件的x和y位置（*x，*y ）、事件发生时的帧号或时间（*f ）、玩家ID（*pId）和团队ID（*tId）。2.2.3. 验证文本用Python实现的Validator脚本计算每个事件的查全率、查准率和F分数。 如果在预定义的时间窗口（例如，三帧）。对于复杂事件，我们使用常见的OV 20标准进行时间动作识别：根据交集大于并集，如果时间窗口与地面实况动作重叠，则时间窗口匹配地面实况动作，至少预定义的百分比，通常设置为20%[20]。该脚本将包含基于XML的CVAT格式的地面实况和检测到的事件的目录作为输入，并输出具有计算出的性能的XML文件。通过命令行选项和配置文件，可以指定是否应该为原子事件或复杂事件计算性能，哪些事件应该包括在评估中，以及匹配的参数。3. 示例：soccER数据集SoccER数据集包括由SoccER生成器通过各种模式（玩家对玩家，玩家对玩家）合成的8个完整游戏。AI，AI与AI）。它包括总共500分钟的游戏，1，678，304个原子事件和9130个复杂事件。该数据集分为训练和验证数据集，用于训练和评估SoccER事件检测器[3]。该数据集可在https://gitlab.com/grains2/slicing-and-dicing-soccer下载。在处理合成数据时，需要考虑的一个重要方面是游戏引擎生成的数据的分布与现实数据的分布有多接近在许多方面，由于缺乏公开数据，至少目前无法详细调查这种关系尽管如此，初步分析得出了令人鼓舞的结果。基于与Alfheim数据集[4]的比较，我们预计玩家的平均速度L. Morra，F.Manigrasso和F.Lamberti软件X 12（2020）1006127虽然真实数据集的大小很小，无法得出明确的结论;这方面可以在未来的SoccER版本中进一步定制关于事件的数量和类型，2017/2018赛季五场全国足球比赛的数据显示，平均每90分钟比赛有1682场事件[12]。传球（包括传中）是最常见的事件（50%），其次是决斗或铲球（28%）;射门（1.5%）和进球（1%）相对罕见。<在我们的样本数据集（500分钟）中，大约每小时产生1141个复杂事件，分布如下：传球和传中（62%），铲球（29%），射门（7.5%）和进球（1%）。<投篮事件百分比的差异部分源于我们采用的子事件类型和定义略有不同。4. 影响在本节中，从两个研究领域的角度讨论了合成数据生成的潜在影响：体育分析和计算机视觉。4.1. 对体育分析的影响这项工作的最终目标是使用SoccER合成数据生成器，以提高在足球比赛中的事件的识别。SoccER生成器输出具有注释边界框的视频和相对于场的时空坐标。到目前为止，我们已经验证了事件的检测直接从时空坐标。在现实生活中，可以通过多种方式获得此类坐标，包括可穿戴跟踪器[8，21]或宽相机或多相机设置[4，12]。为了生成时空坐标，除了手动注释之外，可以使用对象检测器来实现完全基于视觉的方法，然后使用适当校准的设置将像素坐标映射到场坐标系[3，7]。因此，SoccER生成器可以被认为是体育分析的许多感兴趣的用例的代表。我们已经通过开发基于ITL的完整事件检测系统证明了这种方法的可能性，该系统在第2.2节中简要介绍，并在以前的工作中详细描述[3]。在现有技术中，ITL在足球事件的检测中显示出有希望的结果[3，10，22]。它们还允许我们对检测到的事件进行推理，回答诸如“哪些传球导致进球？”之类的SoccER事件检测器成功检测到大多数复杂事件，例如传球，F分数大于0.8 [3]。总的来说，结果与以前发表的方法相当或更好[8，10，22];感兴趣的读者可以参考我们的前一篇文章进行了深入分析[3]。尽管如此，必须承认，比较不同的算法是有问题的两个方面。首先是缺乏一个通用的参考数据集，这总是引发一个问题：算法更好还是数据集更容易？第二，许多论文报告的结果有限，事件类型的ber，通常是传球，踢球或投篮[8，10，22]。多亏了SoccER发生器，我们能够检测到，更重要的是测量性能，更广泛的事件，突出了以前的作品中没有出现的限制使用合成数据集，虽然并非没有限制，但可以通过提供一个共同的和具有挑战性的比较基础来缓解这两个问题特别是，我们的表现突出了基于逻辑的检测器的事件，如铲球，其识别强烈依赖于球员的姿势和其他视觉特征的情况下的局限性。这类事件占28%，真实游戏中发生的事件[12]，不容易用基于国际交易日志的方法检测，使用合成数据。未来的研究需要评估替代技术的性能，例如用于未修剪视频流中事件检测的卷积和递归神经网络。特别的兴趣将是混合系统，结合低层次的模式检测与高层次的推理能力。所提出的系统允许我们生成足够大的数据集来训练这样的系统。4.2. 对计算机视觉研究的当采集或手动标记的成本过高时，合成数据生成是一种具有成本效益的解决方案[13]。因此，它被广泛用于机器学习和计算机视觉研究，以实现快速，准确和相对廉价的数据生成及其基础事实。例如，它已被用于训练语义分割模型[23- 25 ]，在自动驾驶领域[ 23，26 ]和复杂任务，合成数据生成不仅具有成本效益，而且可以更好地控制生成的分布，减少偏差，数据不平衡并提高罕见和罕见病例的可用性[13，27]。从研究的角度来看，体育事件检测提供了许多挑战，因为它结合了低层次的视觉模式检测与高层次的推理能力。由于数据不平衡、罕见事件以及精确定义时间边界的困难，未修剪视频序列中的复杂事件检测本身是现有技术中具有挑战性的问题据我们所知，很少有合成数据集存在处理未修剪视频序列中的事件检测同时，由于类的数量相对有限，并且存在一组已知的规则，因此有助于体育运动中的事件检测。因此，它是计算机视觉建模的绝佳可以训练。游戏和其他类型的模拟器也被用于强化学习（RL）。在最近的一项工作中，Gameplay Football引擎被重新用作RL训练代理的训练馆，即Google Research Football（GRF）环境[15]。GRF和SoccER软件套件的构想具有不同的互补目的。GRF不包括或支持训练和测试事件检测系统所需的日志记录系统，这远远超出了记录玩家的输入命令和位置。GRF库包括一个更优化的图形引擎，这对于需要以超人速度运行的RL算法的训练至关重要，以便最大限度地减少训练时间。用于事件检测的数据的生成受益于在记录会话中包括人类玩家。我们发现生成的数据集比仅由游戏AI生成的数据集更加多样化，因此无法从极其优化的图形引擎中获益。今后的工作将探讨这两个项目更紧密的结合最后，应该注意的是，SoccER生成器和数据集也有助于与智能代理如何感知游戏状态相关的开放研究问题这些问题的示例是，向机器学习代理提供原始像素输入是否更有效，或者提取概括诸如球员坐标、控球等方面的紧凑编码是否更有效，以及最后如何有效地设计这样的紧凑编码[15]。L. Morra，F.Manigrasso和F.Lamberti软件X 12（2020）10061284.3. 局限性和今后的改进与商业解决方案相比，SoccER数据生成器的主要局限性是相对较低的照片真实感，以及合成数据和真实数据之间的域转移前一个此外，游戏引擎生成的事件的类型、频率和特征与真实比赛中收集的事件具有相似但不等同的分布[12]。今后应更深入域转移是所有合成数据集的共同问题，并且正在通过域适应领域的广泛研究来解决[23];然而，目前的研究主要集中在图像（作为输入），卷积神经网络（作为模型/检测器），可能不直接应用于时空数据。为这些数据开发领域适应技术是一个有趣的研究问题。从应用的角度来看，建议SoccER事件检测器提供有限的性能的情况下，铲球，球偏转和其他事件的视觉功能是至关重要的。探索深度学习的使用，结合或替代当前系统，将特别有趣。为了支持数据饥饿模型的训练，一个可能的扩展将包括修改游戏引擎以动态生成数据。5. 结论大规模数据集的可用性已成为现代计算机视觉和数据科学的标志。当数据采集不可行或过于昂贵时，合成数据在本文中，我们提出了SoccER软件套件，它包括一个合成的时空数据生成器和事件检测系统，针对足球领域。虽然SoccER检测器在大多数事件上都实现了良好的性能，但需要进一步研究才能在所有类别的事件上实现最佳性能。SoccER套件旨在通过提供一个可以开发和比较算法的共同基础来实现这一领域的进一步研究。竞合利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作致谢我 们 感 谢 Claudio Gianfrate 、 Enrico Guarino 和 GiuseppeCanto实施了SoccER数据生成器和SoccER事件检测软件。引用[1] 海杜克体育数据分析的未来在：统计建模和体育商业分析。弗朗西斯·泰勒;2020.[2] 施华春面向体育运动的内容感知视频分析研究综述。IEEE跨电路系统视频技术2017;28（5）：1212-31。[3][10]杨文辉，李文辉，李文辉，李文辉. Soccer：从时空数据中自动检测复杂事件 . In ： Campilho A ， Karray F ， Wang Z ， editors. 图 像 分 析 和 识 别 。Cham：Springer International Publishing; 2020，p.107比21[4]Pettersen SA，Johansen D，Johansen H，Berg-Johansen V，Goglio VR，Mortensen A，et al. Soccer video and player position dataset.第五届ACM多媒体系统会议论文集。MMSys'1 4 ， 纽 约 ， 美 国 ： 计 算 机 协 会 ; 20 1 4 ， p.18比23[5]Cannavó A，Calandra D，Basilicó G，Lamberti F.从时空数据中自动识别运动事件：篮球虚拟现实训练的应用。第14届计算机图形理论与应用国际会议（GRAPP 2019）SCITEPRESS; 2019，p. 310 -6[6]Cannaveli A，Pratticeli FG，Ministeri G，Lamberti F.基于沉浸式虚拟现实和可穿戴技术的运动训练动作分析系统。第四届虚拟现实国际会议论文集。2018年，第26比31[7]张文辉，张文辉.桌上的足球在：IEEE计算机视觉和模式识别会议论文集。2018年，第4738-47[8]杨伟杰，杨伟杰，杨伟杰.时空足球数据中复合事件的识别。在：物联网和大数据国际会议，卷。二、SCITEPRESS; 2016，p.27比35[9]Lee J，Nam D，Moon S，Lee J，Yoo W.基于模式匹配的足球赛事识别技术。2017年计算机科学与信息系统联 合 会 议 （FedCSIS）。2017年，p.643-6[10]Khan A，Lazzerini B，Calabrese G，Serafini L.足球事件检测。于：第 四届 图 像 处 理 与 模 式 识 别 国 际 会 议 （ IPPR2018 ） 。 AIRCC PublishingCorporation; 2018，p.119比29[11]Giancola S，Amine M，Dghaily T，Ghanem B. Soccernet：一个可扩展的数据集，用于在足球视频中发现动作。在：IEEE计算机视觉和模式识别研讨会会议论文集。2018年，第1711-21年。[12]Pappalardo L，Cintia P，Rossi A，Massuco E，Ferragina P，Pedreschi D，等. 足球比赛中的时空比赛事件公共数据集。科学数据2019;6（1）：1-15。[13]尼 科 连 科 湾 用 于 深 度 学 习 的 合 成 数 据 。 2019 年 ， arXiv 预 印 本 arXiv ：1909.11512。[14]Schuiling BK.游戏足球，https://github.com/BazkieBumpercar/游戏足球。[15]Kurach K，Raichuk A，Stanczyk P，Zajac M，Bachem O，Espeholt L，etal. Google research football：A novel reinforcement learning environment.2019，CoRR，arXiv：1907.11180。[16]Morra L，Coccia N，Cerquitelli T.计算机辅助检测系统的优化：一种进化方法。专家系统应用2018;100：145-56.[17]Fortin F-A ， De Rainville F-M ， Gardner M-A ， Parizeau M ， Gagné C.DEAP：进化算法变得简单。J Mach Learn Res2012;13：2171-5.[18]AnicicD ， FodorP ， StühmerR ， RudolphS.Etalis 主 页 ，http://code.google。com/p/zh.[19]坎托湾体育赛事的计时系统。（硕士[20]放大图片作者：Gaden A，Harchaoui Z，Schmid C.动作序列模型用于有效的动作检测。见：CVPR 2011。IEEE; 2011，p.3201-8[21]杨伟，王晓，王晓.利用人工神经网路侦测时空足球资料中的复合事件。在：第三次SIGKDD研讨会上 挖掘和学习时间序列，MiLeTS'17。2017年。[22]Stein M，Seebacher D，Karge T，Polk T，Grossniklaus M，Keim DA. 从 运动到事件：改进足球比赛注释。在：多媒体建模国际会议。Springer; 2019，p.130比42[23]Alberti E，Tavera A，Masone C，Caputo B. IDDA：用于自动驾驶的大规模多域数据集。2020年，arXiv预印本arXiv：2004.08298。[24][10]张文辉，张文辉，张文辉.从虚拟世界中学习行人检测。在：图像分析和处理国际会议。Springer; 2019，p.302-12[25]胡永泰，陈宏生，许凯，黄建斌，施荣股份有限公司。SAIL-VOS：语义非模态实例级视频对象分割-合成数据集和基线。在：IEEE计算机视觉和模式识别会议论文集。2019年，第3105-15[26]Dosovitskiy A，Ros G，Codevilla F，Lopez A，Koltun V. CARLA：An openurban driving simulator. 2017年，arXiv预印本arXiv：1711.03938。[27]吴Q，Teney D，Wang P，Shen C，Dick A，van den Hengel A.视觉问答：方法和数据集的调查。Comput Vis Image Underst2017;163：21-40.
我的内容管理
展开
