Onderzoekers hebben een belangrijke vooruitgang geboekt in de ontwikkeling van technologie om automatisch video's van hockeywedstrijden te analyseren met behulp van kunstmatige intelligentie.

Ingenieurs van de Universiteit van Waterloo combineerden twee bestaande diepgaande AI-technieken om spelers te identificeren aan de hand van hun truinummers met een nauwkeurigheid van 90 procent.

"Dat is belangrijk, want de enige belangrijke aanwijzing die je nodig hebt om een ​​bepaalde speler in een hockeyvideo te identificeren, is het rugnummer. " zei Kanav Vats, een doctoraat student in systeemontwerptechniek die het project leidde. "Spelers in een team lijken verder erg op elkaar vanwege hun helmen en uniformen."

Spelersidentificatie is een aspect van een gecompliceerde uitdaging, aangezien leden van het Vision and Image Processing (VIP) Lab in Waterloo met branchepartner Stathletes Inc. werken aan AI-software om de prestaties van spelers te analyseren en andere gegevensgestuurde inzichten te produceren.

De onderzoekers bouwden een dataset van meer dan 54, 000 afbeeldingen van wedstrijden van de National Hockey League - de grootste dataset in zijn soort - en gebruikten deze om AI-algoritmen te trainen om truinummers in nieuwe afbeeldingen te herkennen.

De nauwkeurigheid werd verhoogd door het getal 12 weer te geven, bijvoorbeeld, als zowel een tweecijferig nummer als twee enkele cijfers, 1 en 2, samengesteld, een aanpak die op het gebied van AI bekend staat als multi-task learning.

"Het gebruik van verschillende representaties om hetzelfde te leren, kan de prestaties verbeteren, Vats zei. "We combineerden een holistische representatie en een digitale representatie met geweldige resultaten."

Het onderzoeksteam ontwikkelt ook AI om spelers in video te volgen, ze op het ijs lokaliseren en herkennen wat ze doen, zoals het nemen van een schot of het controleren van een tegenstander, voor integratie in één systeem.

Gedetailleerde analyses hebben de afgelopen jaren grote vooruitgang geboekt in hockey en andere sporten, maar veel van het werk wordt nog steeds gedaan door mensen die naar de uitgezonden video kijken en aantekeningen maken.

"Zoals u zich kunt voorstellen, een persoon die handmatig een video van een volledige hockeywedstrijd van drie perioden annoteert, zou uren duren, "Zei Vats. "Machine-learningsystemen kunnen binnen enkele minuten gegevens uit video's produceren."

Hoewel ze zich tot nu toe op hockey hebben gefocust, de onderzoekers verwachten dat hun technologie kan worden overgedragen met aanpassingen aan andere teamsporten, zoals voetbal.

Vats werkte samen met zijn doctoraatsbegeleiders aan de identificatie van spelers, Waterloo engineering professoren David Clausi en John Zelek, en postdoctoraal onderzoeker Mehrnaz Fani.

Hij zal een paper presenteren, Multitasken leren voor rugnummerherkenning in ijshockey, bij de 4 ^e Internationale ACM Workshop over Multimedia Analyse in Sport deze maand.