Autor: Kristina Host
U današnje vrijeme, bavljenje sportom postaje sve uobičajenije zbog promocije zdravog načina života, no ne može se zanemariti da kako tehnologija napreduje, raste i potreba da je ljudi ukomponiraju u svaki aspekt svojih dnevnih aktivnosti, tako uključujući i same sportove.
Kao rezultat toga, postoji potreba za automatskim raspoznavanjem aktivnosti na terenu kako bi se omogućila analiza sportskih događaja s visokom preciznošću. Treneri, sportski analitičari i igrači mogu koristiti ove informacije kako bi bolje razumjeli tijek igre, identificirali obrasce i nedostatke te donosili strateške odluke. Razvitkom takvog proizvoda namijenjenog rukometu moglo bi se pomoći prvenstveno rukometnim trenerima i igračima da poboljšaju svoju izvedbu. Analiza akcija igrača omogućava ocjenu njihove izvedbe u stvarnom vremenu, stoga treneri mogu koristiti dobivene podatke kako bi prilagodili taktiku, poboljšali tehniku i pomogli igračima da postignu svoj maksimalni potencijal.
U nogometu se već naveliko koristi VAR (Video Assistant Referee) za pomoć prilikom donošenja sudačkih odluka, poput pregleda zaleđa ili detekcije kaznenog udarca, no u drugim sportovima to i nije slučaj. Iako je rukomet jedan od najpoznatijih sportova, takva tehnologija nije razvijena, a i kad bi bila, manjim klubovima bi jednostavno bila preskupa. Glavna ideja mog projektnog time je zapravo osmisliti jednostavniji i financijski pristupačniji proizvod, ali koji pomaže prvenstveno trenerima i igračima rukometa, a ne sucima.
Općenito, automatsko raspoznavanje akcija (eng. Human Action Recognition) koristi se kako bi se pratilo performanse igrača tijekom treninga, raznih priprema, zagrijavanja ili utakmica. Osnovna ideja je detekcija igrača na sceni, praćenje njihovih pokreta i prepoznavanje akcija koje izvode. Iako to ovako možda zvuči kao lak zadatak, zapravo i nije ako nemate najbolje senzore na tržištu, puno kvalitetnih kamera i slično. Senzori su jako skupi, a igrača na treninzima je puno, te bi to za male klubove bio jako velik trošak, zbog čega je jednostavnije i isplativije uzeti kamere. Ali opet, teško je priuštit si više kamera, dovoljno dobrih da snimaju cijeli teren od 40x20m2 i da su svi kutovi u svim trenucima pokriveni. Ali, ponekad, kreće se malim (težim) koracima, pogotovo ako uzmete u obzir i da su sportske scene dinamične scene u kojima više sportaša istovremeno izvodi različite akcije i aktivnosti, pri čemu često mijenjaju položaje, udaljenost i kut prema kameri, pokrivaju jedni druge, ulaze i izlaze iz vidnog polja kamere i slično, što dovodi do pretrpanih scena i okluzije igrača. Takve situacije značajno otežavaju prepoznavanje akcija i aktivnosti, što ideju VA(R)-a za rukometne trenere i sportaše čini još izazovnijom.
U dosadašnjim istraživanjima prikupljeni su i označeni podaci (video snimke) sa rukometnih treninga. Tokom igre svaki igrač se kreće kroz teren i izvodi različite akcije poput trčanja, driblanja, bacanja, hvatanja ili aktivnosti poput dodavanja ili križanja koje nazivamo klase. Ideja u području strojnog učenja, u ovom slučaju, je zapravo naučiti model da predvidi o kojoj se klasi radi kada zaprimi neki videozapis kao ulaz. Do sada su isprobani razni modeli poput Inception-a, LSTM-a, MLP-a na način da se uzme vremenska komponenta u obzir. Najveći izazov je zapravo taj što modeli uzimaju fiksni broj ulaznih okvira iz videozapisa, a same akcije traju u rasponu od 10-110 okvira, kao i taj što bitna obilježja određene akcije mogu biti u različitim dijelovima snimaka, stoga se koriste ne samo različiti brojevi okvira nego i različite strategije biranja ulaznih okvira: s početka, sa sredine, s kraja ili decimacijom, odnosno preskakanjem okvira u regularnim intervalima. Za sada su najbolji rezultati postignuti s MLP modelom na prvih 45 okvira u videozapisu, što ukazuje da je zapravo sami start akcije dovoljan da model prepozna o kojoj klasi je riječ, no naravno tome ima puno mjesta napretku.
S daljnjim istraživanjem različitih metoda i strategija za odabir ulaznih okvira trebali bi se postići bolji i pouzdaniji rezultati, što bi omogućilo razvoj aplikacije koja bi mogla pomoći trenerima i rukometašima u poboljšanju njihove izvedbe.
Ako Vas zanima umjetna inteligencija i kako učimo računalo da prepozna igrača na sceni i što on radi, slobodno pročitaj neki od mojih radova ili me možeš kontaktirati da pobliže objasnim područje.
Više o temi:
[1] K. Host, M. Ivasic-Kos, and M. Pobar, “Action Recognition in Handball Scenes,” Lecture Notes in Networks and Systems, vol. 283, pp. 645–656, 2022, doi: 10.1007/978-3-030-80119-9_41.
[2] K. Host and M. Ivašić-Kos, “An overview of Human Action Recognition in sports based on Computer Vision,” Heliyon, vol. 8, no. 6, p. e09633, Jun. 2022, doi: 10.1016/J.HELIYON.2022.E09633.
[3] M. Ivasic-Kos, K. Host, and M. Pobar, “Application of Deep Learning Methods for Detection and Tracking of Players,” in Artificial Neural Networks and Deep Learning – Applications and Perspective [Working Title], IntechOpen, 2021. doi: 10.5772/intechopen.96308.
[4] K. Host, M. Pobar, and M. Ivasic-Kos, “Analysis of Movement and Activities of Handball Players Using Deep Neural Networks,” Journal of Imaging 2023, Vol. 9, Page 80, vol. 9, no. 4, p. 80, Apr. 2023, doi: 10.3390/JIMAGING9040080.
O autorici
Kristina Host rođena je 1995. godine u Rijeci, gdje je završila talijansku osnovnu školu i prirodoslovno matematičku gimnaziju. Diplomirala je 2018. godine na Odjelu za informatiku Sveučilišta u Rijeci, sadašnjem Fakultetu informatike i digitalnih tehnologija, gdje se i zaposlila prvo u suradničkom zvanju asistenta na „Projektu razvoja karijera mladih istraživača-izobrazba novih doktora znanosti“ u sklopu HRZZ projekta „RAASS: Automatsko raspoznavanje akcija i aktivnosti u multimedijalnom sadržaju iz domene sporta“, te kasnije u suradničkom zvanju asistenta.
Najpoznatiji rad napisan je u suradnji sa mentoricom prof. dr. sc Marinom Ivašić-Kos, objavljen u časopisu Heliyon pod naslovom „An Overview of Human Action Recognition in sports based on Computer Vision“.