[論文レビュー] Crick-net: A Convolutional Neural Network based Classification Approach for Detecting Waist High No Balls in Cricket

Harun-Ur-Rashid, Shekina Khatun+3 more|arXiv (Cornell University)|May 15, 2018

Sports Analytics and Performance参考文献 7被引用数 5

ひとこと要約

本論文では、コンピュータビジョンを用いてクリケットの腰高ノーボールを自動で分類するための、Inception V3に基づく畳み込みニューラルネットワーク（CNN）であるCrick-netを提案する。この手法は、不正なノーボールと正当なボールの区別において平均88%の精度を達成し、スポーツにおけるAI主導のレフェリー業務の実現可能性を示している。

ABSTRACT

Cricket is undoubtedly one of the most popular games in this modern era. As human beings are prone to error, there remains a constant need for automated analysis and decision making of different events in this game. Simultaneously, with advent and advances in Artificial Intelligence and Computer Vision, application of these two in different domains has become an emerging trend. Applying several computer vision techniques in analyzing different Cricket events and automatically coming into decisions has become popular in recent days. In this paper, we have deployed a CNN based classification method with Inception V3 in order to automatically detect and differentiate waist high no balls with fair balls. Our approach achieves an overall average accuracy of 88% with a fairly low cross-entropy value.

研究の動機と目的

• コンピュータビジョンとディープラーニングを用いて、クリケットにおける腰高ノーボールの自動検出を実現すること。
• ボーリング動作のリアルタイム分析にAIを活用することで、レフェリーの判断ミスを低減すること。
• ボールのリリース時の高さに基づいて、正当なボールとノーボールを区別する堅牢な分類システムの開発。
• 事前学習済みのInception V3アーキテクチャを、カスタムクリケットデータセット上で微調整することで、この特定の分類タスクに適した性能を評価すること。

提案手法

• クリケットの動画フレームからの特徴抽出に、Inception V3アーキテクチャをバックボーンとして使用する。
• 抽出された特徴の上に、完全結合層の分類器ヘッドを訓練し、腰高ノーボールと正当なボールを区別する。
• 限定的なトレーニングデータでもモデルの一般化性能を向上させるために、データオーグメンテーション技術を適用する。
• 分類性能の最適化を図るため、エンドツーエンドのトレーニングに交差エントロピー損失を用いる。
• ImageNetの重みを事前学習済みとして用い、クリケット固有のデータセット上で微調整することで、トランスファー学習を実施する。
• 動画フレームを処理し、ボールリリース時のボーラーの位置を抽出し、腰の高さからのボールの高さを推定する。

実験結果

リサーチクエスチョン

• RQ1 視覚データを用いた深層CNNモデルは、クリケットにおける腰高ノーボールを正確に分類できるか？
• RQ2 Inception V3を用いたトランスファー学習は、クリケットの特定のボール違反検出にどの程度効果的か？
• RQ3 コンピュータビジョンを用いた場合、正当なボールと腰高ノーボールの区別においてどの程度の精度が達成できるか？
• RQ4 限定的なデータセット上で、モデルの交差エントロピー損失と一般化性能はどの程度の水準にあるか？

主な発見

• 提案されたCrick-netモデルは、腰高ノーボールと正当なボールの分類において、全体で平均88%の精度を達成した。
• モデルは比較的低い交差エントロピー損失を示しており、予測に対する高い信頼性と、トレーニング中の良好な収束を示している。
• カスタムクリケットデータセット上でInception V3アーキテクチャを微調整することで、特定タスクに適した有効な特徴学習が達成された。
• このシステムは、特に人為的ミスの低減を目的としたスポーツのレフェリー業務におけるディープラーニングの潜在的可能性を示している。
• 限られたサンプル数のデータセットでもモデルの性能が妥当に保たれていることから、データ不足にもかかわらず堅牢であることが示された。
• 本アプローチは、スポーツアナリティクスや自動レフェリー制度へのリアルタイム導入において実現可能である。