GitHub |
您所在的位置:网站首页 › 乒乓球是什么体育运动 › GitHub |
PaddleSports
📣 近期更新
🔥2022.11.30 发布 足球"AI懂球帝"以及相关案例库
亮相WAVE SUMMIT+大会AI开发者集市,敬请关注;
涵盖四大板块超15种算法及足球领域解决方案;
💥"AI懂球帝"带你看世界杯 -- 卡塔尔世界杯示例demo更新;
框架介绍
PaddleSports是飞桨面向体育场景的端到端开发套件,实现人工智能技术与体育行业的深度融合,目标打造“AI+Sports”的标杆案例集。PaddleSports的特色如下: 整体采用“5W1H”的产品架构,即:when(什么时间),where(什么位置),who(是谁),what(发生了什么),why(为什么),how(怎么样)。系统梳理人工智能技术在体育行业的研究、应用、落地。 AI模型:从精度、速度、集成度三个维度进行性能评测。AI技术不仅是深度学习,同时整理了经典3D建模,SLAM,机器学习,以及硬件集成开发等工作,目标打造软硬一体的“AI+Sports”开发套件。 数据:除了各个已有的公开数据集来评测深度模型的性能外,将首次推出SportsBenchmark,力争能够用一个数据集来评测所有算法模型。 工具:面向体育场景的工具集,比如标注工具、检测工具、识别工具等,具有All-in-One,AutoRun的特点。 应用:涵盖足球、跳水、乒乓球、花样滑冰、健身、篮球、蹦床、大跳台、速度滑冰、跑步等热门的体育运动。 分模块介绍该部分详细介绍“5W1H”各个模块的内容。 1. when🎥示例demo加载中: 下载 示例动作识别截图:“when”模块重点从时域角度回答以下问题: 1)输入一段视频,首先判断是什么体育运动; 2)从一段视频中,精确分割出体育运动的起止时间; 3)判断每一帧属于哪个动作,以跳水三米板为例,动作过程分为:走板、起跳、空中、入水等阶段。 4)时间同步,针对多相机同步问题,整理了硬件同步和软件同步两种控制方法。 5)编解码,包括视频编解码和音频编解码。 任务 技术方向 技术细分 算法模型 1.when 1.1) 视频分类 视频分类(是什么体育项目) PP-TSM PP-TimeSformer SlowFast AttentionLSTM MoViNet 1.2) 视频分割 片段切割(起始点,终止点) BMN 1.3) 视频理解 动作识别(每一帧属于什么动作) MS-TCN CFBI ASRF 1.4) 硬件同步 硬件同步 PTP同步,IEEE 1588 软件同步 CPU时钟同步 1.5) 编解码 视频编码 H.264/MPEG-4 AVC 音频编码 WAV/MP3/AAC 2. where🎥示例demo加载中: “where”模块重点分析:前景(运动员)、背景(场馆)、相机,这三类对象的位置/位姿的信息: 1)运动员整体位姿:图像/视频中运动员的2D/3D定位,包含:2D/3D检测、2D分割、2D/3D跟踪等; 2)运动员局部位姿:运动员的骨骼姿态的分析,从粗粒度到细粒度,包含:2D骨骼关键点、2D骨骼姿态、3D骨骼姿态、2D-3D稠密映射、3D人体重建、3D人体动画等; 3)背景3D重建:利用多维传感器数据,1比1重建场馆的3D信息,相关技术包含:Simultaneous Localization and Mapping (SLAM)、Structure-from-Motion (SfM) 等; 4)相机6-DoF位姿:恢复相机的6-DoF位姿(位置xyz,旋转αβγ),有经典的PNP算法,以及深度模型算法。 任务 技术方向 技术细分 算法模型 2.where 2.1) 2D检测 一阶段通用目标检测 PP-YOLOE PP-PicoDet 二阶段通用目标检测 Faster-RCNN 人体检测分析 PP-Human2.0 PP-Pedestrian 水花/足球/篮球等小目标检测 FPN,PP-YOLOE 2.2) 2D分割 前景对象/背景分割 Mask-RCNN SOLOv2 PP-LiteSeg DeepLabV3P 交互式分割 EISeg 人体分割 PP-HumanSeg 人体毛发级精准分割 Matting Human Matting 视频目标分割 CFBI MA-Net 视频运动物体分割 Motion Segmentation 视频人体分割 Video Matting BackgroundMattingV2 2.3) 2D跟踪 人体跟踪 ByteTrack 运动轨迹 PP-Tracking 2.4) 2D骨骼 Top-Down PP-TinyPose HR-Net Bottom-Up OpenPose MoveNet 2.5) 3D骨骼 单目 PP-TinyPose3D Position-based Angle-based 2D + Depth-based 2D + IK 多目 Calibration Fusion 深度相机 Kinect 3D Tracking 2.6) 2D/3D稠密映射 2D-2D Dense Correspondences DeepMatching 2D-3D Dense Correspondences DensePose 2.7) 3D人体重建 Template Model SMPL VIBE PyMaf 2.8) SLAM 静态 单目 ORB-SLAM... 深度 KinectFusion... 激光 LOAM 动态 DynamicFusion DynSLAM 2.9) 相机6-DoF定位 内参 张氏标定法 外参 单张图像 PNP 多张图像 SfM, SLAM 3. who🎥示例demo加载中: “who”模块重点分析:图像/视频中有哪几类人员,分别是谁,特定人员在整场比赛的集锦等信息: 1)人员分类:把图像/视频中运动员、观众、裁判、后勤工作人员进行区分; 2)运动员识别:识别出特定运动员,包含:人脸识别、人体识别、号码簿识别等; 3)运动员比赛集锦:自动生成该运动员整场比赛的视频集锦。 任务 技术方向 技术细分 算法模型 3.who 3.1) 人员分类 运动员、裁判、观众、后勤人员 PP-LCNetV2.md 3.2) 运动员识别 人脸检测 BlazeFace 人脸识别 Dlib 基于人体的运动员识别 Re-ID 3.3) “一人一档” 运动员Re-ID MultiSports 4. what🎥示例demo加载中: (超分, 图生文, 图片虚拟合成) “what”模块重点分析体育比赛画面中呈现的信息,包含:运动、语音、视觉、多模态等: 1)运动属性,从视频前后帧信息推断运动信息,包含2D光流以及3D场景流相关技术; 2)语义属性,包含:图像/视频检索识别,视频动作识别,image/video caption等; 3)视觉属性,包含:画质增强,超分辨率,2D转3D,3D实时交互等; 4)多模态属性,视觉数据与语音数据、文本数据联合分析。 任务 技术方向 技术细分 算法模型 4.what 4.1) 运动属性 2D Optical Flow (经典算法) Horn-Schunck光流法 Lucas-Kanade光流法 Block-Matching光流法 Dual-TVL1 DeepFlow-v2 Global Patch Collider 2D Optical Flow (深度学习) RAFT (ECCV 2020 best paper) FlowNet1.0 FlowNet2.0 NVIDIA SDK 3D Scene Flow FlowNet3D Just Go with the Flow MotionNet 2D-3D Expansion 4.2) 语义属性 图像检索识别 PP-Lite-Shitu PP-LCNetV2 视频动作识别 CTR-GCN ST-GCN AGCN Image Caption COCO Caption Im2Text Video Caption ActivityNet OCR PaddleOCR 4.3) 视觉属性 画质增强 Space-Time-Aware Multi-Resolution Video Enhancement 图像/视频去噪 FastDVDnet 超分辨率 Super Resolution 图像填补 Inpainting 2D转3D NeRF 3D Visualization Maya Unity Unreal 4.4) 多模态属性 文本+视觉 VideoBERT VisualBERT 5. why“why”模块重点分析影响运动表现的因素,并尝试预测伤病的可能性、比赛成绩等: 1)采集生理、心理、体能相关数据,并与运动表现进行关联性分析; 2)从生物力学的角度,对动作细节进行纠正; 3)从内负荷、外负荷的角度,在确保训练强度的情况下,尽可能减少伤病发生的可能性。 任务 技术方向 技术细分 算法模型 5.why 5.1) 分析 技术、生理、心理、体能 5.2) 推理 生物力学 5.3) 预测 内负荷、外负荷 6. how“how”模块重点分析影响“AI+Sports”技术落地的因素: 1)费用,取决于数据标注数量和网络训练需要的GPU费用; 2)人力,重新训练模型所需的人力数量; 3)时间,配置、测试、重训练、重开发等所需要的时间。 任务 技术方向 技术细分 算法模型 6.how 6.1) much 经费 6.2) many 人力 6.3) long 时间 7. data“data”模块重点梳理生成训练数据的6种主流方式: 1)人工标注:已标注的公开数据集,用于网络训练; 2)迁移学习:未标注的大量数据,做非监督学习和迁移学习; 3)合成数据:2D图像直接编辑,copy-paste的方式合成训练数据; 4)合成数据:3D模型渲染生成2D数据以及标注信息; 5)合成数据:3D模型部件指导的2D图像编辑; 6)合成数据:GAN系列网络模型合成训练数据。 任务 技术方向 技术细分 算法模型 7.data 7.1) 已标注的数据集 7.2) 未标注的数据集 7.3) 2D Copy-Paste 7.4) 3D Rendering 7.5) 3D-2D Editing 7.6) GAN 8. benchmark“benchmark”模块将构建第一个体育类的benchmark,尽可能让所有算法在一个数据集上进行评测,特点是小而精,包含以下信息: 1)when:时域信息标注,回合起止节点; 2)where:2D/3D检测,2D分割,2D跟踪,2D/3D骨架; 3)who:人员分类,姓名; 4)what:运动,语义,视觉信息。 任务 技术方向 技术细分 算法模型 8.benchmark 8.1) 训练数据集 8.2) 测试数据集 8.3) 评估脚本 9. tools面向体育场景的工具集,比如标注工具、检测工具、识别工具等,具有All-in-One,AutoRun的特点。 任务 技术方向 技术细分 算法模型 9.tools 9.1) 标注工具 百度智能标注系统(BILS) 交互式智能视频标注平台 9.2) 检测工具 9.3) 识别工具 9.4) 深度图生成工具 10. applications涵盖足球、跳水、乒乓球、花样滑冰、健身、篮球、蹦床、大跳台、速度滑冰、跑步等热门的体育运动。 任务 技术方向 技术细分 算法模型 10.applications 10.1) 足球 Tracking,ReID 比分牌识别 超分辨率 动作识别+增强版 检测+识别+跟踪+足球 10.2) 跳水 10.3) 乒乓球 10.4) 花样滑冰 10.5) 健身 10.6) 篮球 10.7) 蹦床 10.8) 大跳台 10.9) 速度滑冰 10.10) 跑步/舞蹈 合作伙伴 国家队 央视 国家体育总局体育科学研究所,河北省体育科学研究所 高校:厦门大学,南京大学,北京航空航天大学,上海科技大学,大连理工大学等 商业公司:Intel,Sony,Pixellot,全度科技等 百度开发团队 百度研究院 机器人与自动驾驶实验室(RAL) 百度研究院 大数据实验室(BDL) 百度深度学习技术平台部(PaddlePaddle) 百度ACG产业创新业务部 百度研究院 GAIT实验室 致谢感谢飞桨兴趣小组(PPSIG)Models-CV成员对PaddleSports建设的贡献(张熙瑞,洪力,王成,卜宜凡,孔远杭,肖培楷,张戈等) |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |