[论文解读] 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 5

一句话总结

本文提出Crick-net，一种基于Inception V3的卷积神经网络（CNN），利用计算机视觉技术自动识别板球比赛中腰高投球违例。该方法在区分非法投球与合法投球方面实现了88%的平均准确率，证明了人工智能驱动裁判在体育赛事中的可行性。

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.

研究动机与目标

• 利用计算机视觉与深度学习技术，自动检测板球比赛中腰高投球违例。
• 通过AI对投球动作进行实时分析，减少裁判判罚中的人为错误。
• 开发一个稳健的分类系统，根据投球释放时的球高，区分合法投球与违例投球。
• 评估微调后的预训练Inception V3架构在特定分类任务中的性能表现。

提出的方法

• 以Inception V3架构作为主干网络，从板球视频帧中提取特征。
• 在提取的特征之上训练一个全连接分类头，以区分腰高投球违例与合法投球。
• 应用数据增强技术，提升模型在有限训练数据上的泛化能力。
• 采用交叉熵损失函数进行端到端训练，以优化分类性能。
• 通过在板球特定数据集上微调ImageNet预训练权重，实现迁移学习。
• 处理视频帧以提取投球手的释放点，并估算球高相对于腰部的位置。

实验结果

研究问题

• RQ1 深度CNN模型能否利用视觉数据准确分类板球比赛中的腰高投球违例？
• RQ2 使用Inception V3进行迁移学习，在检测特定板球投球违例方面效果如何？
• RQ3 利用计算机视觉技术，在区分合法投球与腰高投球违例方面可达到何种准确率？
• RQ4 该模型在数据量有限的数据集上，其交叉熵损失与泛化能力表现如何？

主要发现

• 所提出的Crick-net模型在分类腰高投球违例与合法投球时，整体平均准确率达到88%。
• 模型表现出较低的交叉熵损失，表明预测具有较高置信度，且训练过程收敛良好。
• 在自定义板球数据集上对Inception V3架构进行微调，可有效学习特定任务的相关特征。
• 该系统展示了深度学习在自动化体育裁判决策中的潜力，尤其有助于减少人为错误。
• 模型在样本数量有限的数据集上表现良好，表明其在数据稀缺情况下仍具鲁棒性。
• 该方法在体育分析与自动化裁判系统中具备实时部署的可行性。