Avanzando el Reconocimiento de Acciones en Fútbol con SoccerKDNet

Reconocer acciones en videos de fútbol es un reto complicado, especialmente en el análisis deportivo. En los últimos años, la analítica deportiva ha tomado mucha importancia, haciendo necesario clasificar las acciones que realizan los jugadores durante un partido. Sin embargo, la mayoría de los métodos avanzados utilizan sistemas offline complicados, lo que dificulta su uso en situaciones donde los recursos son limitados.

Para resolver este problema, presentamos un nuevo marco llamado SoccerKDNet. Este marco se basa en un método llamado destilación de conocimiento, que ayuda a transferir el aprendizaje de un modelo a otro. El objetivo principal de esta investigación es crear un sistema fácil de usar que pueda analizar videos de fútbol de manera eficiente.

#Introducción al conjunto de datos SoccerDB1

También presentamos un nuevo conjunto de datos llamado SoccerDB1, que incluye 448 clips de video que muestran acciones de fútbol. Estos videos se dividen en cuatro clases de acción: Driblar, Patear, Correr y Caminar. Cada una de estas clases contiene más de 70 clips de video. Los clips se crean a partir de partidos transmitidos públicamente que se encuentran en YouTube, con un número uniforme de fotogramas en cada clip.

#Por qué es importante el Reconocimiento de Acciones

El reconocimiento de acciones en el fútbol es importante para entender los movimientos de los jugadores y la dinámica del juego. Los sistemas existentes a menudo requieren esfuerzo manual, donde la gente rastrea cada detalle del partido. Otros dependen de redes offline que analizan los juegos solo después de que terminan. Con el avance de la tecnología, los métodos de aprendizaje profundo han demostrado superar a los métodos tradicionales en términos de rendimiento.

Sin embargo, hay desafíos al usar estos Modelos avanzados. Generalmente, se entrenan en grandes conjuntos de datos, como ImageNet, y pueden no rendir bien con datos específicos de fútbol. Esto genera una brecha entre los datos de entrenamiento del modelo y su aplicación en la vida real en partidos de fútbol. Por lo tanto, es crucial desarrollar modelos que estén adaptados para datos de fútbol o ajustarlos utilizando conjuntos de datos específicos del deporte.

#Encuesta de métodos existentes

Al revisar investigaciones anteriores, encontramos que hay poco trabajo enfocado en reconocer acciones en videos de fútbol. Uno de los pocos conjuntos de datos disponibles públicamente es el Soccernet v2 benchmark, que se lanzó recientemente. Muchos intentos de clasificar acciones en el fútbol se han centrado en tareas específicas, como localizar eventos, en lugar de una clasificación amplia. Así, el conjunto de datos SoccerDB1 y el marco SoccerKDNet están dirigidos a avanzar en la investigación del reconocimiento de acciones en el fútbol.

#Visión general de SoccerKDNet

SoccerKDNet está diseñado para clasificar las acciones que se ven en videos de fútbol. La red utiliza una arquitectura específica que incluye un componente conocido como Módulo Adaptativo Temporal (TAM), que trabaja junto a ResNet-50 y ResNet-101. La arquitectura también incluye capas completamente conectadas para ayudar al modelo a aprender de manera efectiva. Esta configuración se denomina 'jointnet'.

En nuestros experimentos, utilizamos otro modelo, ResNet-18, como la red estudiante. La 'jointnet' funciona como el modelo maestro y se entrena inicialmente en el conjunto de datos de fútbol. Usamos muestreo uniforme de fotogramas de video, una técnica que se sabe que entrega mejores resultados.

#Funciones de pérdida y proceso de entrenamiento

En el entrenamiento de SoccerKDNet, utilizamos diferentes funciones de pérdida para mejorar la Precisión. La Pérdida de Entropía Cruzada se utiliza comúnmente, junto con la Pérdida de Divergencia KullBack-Liebler y la pérdida de destilación de conocimiento. Estas funciones de pérdida ayudan al modelo a aprender de manera efectiva y mejorar sus predicciones basándose en los videos de entrada.

Para entrenar, primero ejecutamos la jointnet en el conjunto de datos de fútbol durante 100 épocas con un tamaño de lote y función de pérdida específicos. Después, entrenamos el modelo estudiante, ResNet-18, por un período más largo con ajustes específicos para mejorar el rendimiento. Todos los fotogramas de video se redimensionan y procesan para mantener la consistencia durante el entrenamiento.

#Análisis de rendimiento y precisión

Después de entrenar, evaluamos el rendimiento de nuestro modelo utilizando métricas de precisión. El enfoque está en la precisión Top-1, que mide si la primera predicción del modelo coincide con la acción real. Un video de fútbol se considera clasificado correctamente si las predicciones para la mitad o más de sus fotogramas se alinean con las etiquetas verdaderas.

Descubrimos que usar el modelo preentrenado sin ajustes resultó en una baja precisión del 7.7%. Sin embargo, después de un entrenamiento adecuado con el modelo estudiante, logramos una precisión del 67.20%, lo que indica la efectividad de nuestro método.

#Comparaciones con otros modelos

Al comparar SoccerKDNet con modelos existentes, nuestro marco mostró mejores resultados en el reconocimiento de acciones en videos de fútbol. Los modelos anteriores a menudo dependían de grandes conjuntos de datos de imágenes que no se adaptaban a las características únicas de los videos de fútbol. Nuestro conjunto de datos se centra específicamente en datos de video, lo que permite una clasificación más precisa en comparación con modelos entrenados únicamente con imágenes.

#Preocupaciones por el sobreajuste

Un desafío que enfrentamos fue el riesgo de sobreajuste, que ocurre cuando un modelo funciona bien en los datos de entrenamiento pero mal en datos nuevos y no vistos. Dado que nuestro conjunto de datos de ajuste fino (SoccerDB1) es más pequeño, tomamos precauciones para evitar este problema. Utilizamos técnicas de regularización como Normalización por Lotes y capas de abandono para mantener la capacidad del modelo de generalizar.

#Métricas de evaluación y resultados

Todos los resultados informados en nuestros experimentos se miden mediante la precisión Top-1 a través de múltiples ejecuciones. La estructura de nuestro modelo nos permitió mantener bajo el número de parámetros, lo que lo hace adecuado para aplicaciones en tiempo real, a diferencia de algunos modelos anteriores que requerían amplios recursos computacionales.

Nuestros experimentos mostraron que incluso con una arquitectura más simple, como ResNet-18, podríamos lograr niveles de precisión respetables. Esto es importante para usos prácticos donde las limitaciones de hardware son un factor.

#Estudio de Ablación Mini

Como parte de nuestra investigación, realizamos un estudio de ablación mini para analizar varios factores que influyen en el rendimiento del modelo. Probamos diferentes redes base, etapas para la destilación de conocimiento y ajustes al módulo frontnet y hiperparámetros.

A través de esta evaluación, encontramos que el modelo de respaldo TAM-ResNet101 proporcionó los mejores resultados tanto para los modelos maestros como para los estudiantes. Además, aplicar la destilación temprano en el proceso de entrenamiento mostró un rendimiento deficiente, lo que nos llevó a favorecer métodos de destilación en etapas tardías.

#Direcciones futuras

En el futuro, planeamos expandir el conjunto de datos SoccerDB1 agregando más clases de acción. También buscamos utilizar SoccerKDNet para detectar eventos en el fútbol basados en las acciones de los jugadores. Esto ayudaría a entrenadores y analistas a obtener una comprensión más profunda del rendimiento de los jugadores y mejorar las estrategias del equipo durante los partidos.

#Conclusión

En resumen, desarrollamos un nuevo conjunto de datos, SoccerDB1, y presentamos el marco SoccerKDNet para reconocer acciones en videos de fútbol. Al emplear destilación de conocimiento, logramos una notable precisión del 67.20% en el reconocimiento de acciones. Nuestro trabajo busca contribuir significativamente al campo de la analítica deportiva y mejorar la comprensión de las acciones de los jugadores durante los partidos de fútbol.