Geri Dön

Beyzbol görüntülerinde hareket algılama: Gaussian ağırlıklandırılmış I3D

Action recognition in baseball videos: Gaussian weighted I3D

PDF İndir

  1. Tez No: 1008619
  2. Yazar: NİZAMETTİN YAMAN
  3. Danışmanlar: DR. OSMAN AKIN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilim ve Teknoloji, Science and Technology
  6. Anahtar Kelimeler: Evrişimli sinir ağları, Convolutional neural networks
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Ostim Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Yazılım Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Uzun süreli video kayıtlarında (spor karşılaşmaları, güvenlik kameraları vb.) kritik hareket anlarının otomatik tespiti, önemli bir bilgisayarlı görü problemidir. Beyzbol maçları gibi uzun süreli ve durağan periyotlar içeren içerikler, bu problemin zorlu uygulama alanlarından biridir. Mevcut çalışmalarda, sınırlı veri kümeleri ve değişken büyük verilerde düşük başarı oranları nedeniyle, hareket algılama ve sınıflandırma problemi istenen düzeyde çözülememiştir. Bu çalışmanın amacı, Major League Baseball (MLB) videolarındaki kritik hareket anlarını (atış, vuruş, yakalama vb.) otomatik olarak tespit edip sınıflandıracak bir derin öğrenme modeli geliştirmektir. Bu amaçla, Gaussian ağırlıklandırma ile desteklenmiş Evrişimli Sinir Ağı (ESA) tabanlı yenilikçi bir mimari önerilmiştir. Gaussian ağırlıklandırma mekanizması, video karelerinin eğitim sürecindeki katkısını dinamik olarak düzenlemek için kullanılmıştır. Bu yaklaşımda, her video karesi için hareket yoğunluğu hesaplanmış ve Gaussian dağılım fonksiyonu ile bir ağırlık değeri atanmıştır. Hareketin yoğun olduğu kareler (top atışı, vuruş anı gibi) yüksek ağırlık alırken, durağan kareler (oyun arası bekleme, saha görüntüleri gibi) düşük ağırlık almıştır. Bu sayede, model eğitimi sırasında kritik anlara odaklanılmış ve sınıf dengesizliği problemi azaltılmıştır. Gaussian fonksiyonunun kullanılması, ağırlıkların ani sıçramalar yerine yumuşak geçişlerle atanmasını sağlayarak model stabilitesini artırmıştır. Veri ön işleme aşamasında, video kareleri normalize edilmiş ve her kare hareket yoğunluğu analizi ile ağırlıklandırılarak ilgili sınıflar için etiketlenmiştir. Beyzbol hareketlerinin uzamsal ve zamansal özelliklerini çıkarmak üzere özel olarak tasarlanan CNN mimarisi, eğitim, doğrulama ve test kümelerine ayrılan veri seti üzerinde eğitilmiştir. Eğitim sürecinde, kayıp fonksiyonuna Gaussian ağırlıklar entegre edilerek, modelin kritik hareketleri öğrenme kapasitesi artırılmıştır. Geliştirilen model, test veri seti üzerinde %50 doğruluk oranı elde etmiş ve farklı beyzbol hareketlerini (atış, vuruş, yakalama, koşu vb.) başarıyla sınıflandırmıştır. Elde edilen bulgular, Gaussian ağırlıklandırmalı derin öğrenme yaklaşımının, uzun süreli spor videolarındaki hareket analizinde etkili bir araç olduğunu ve geleneksel CNN modellerine kıyasla \%9.1 oranında performans artışı sağladığını göstermiştir. Önerilen yöntemin, diğer spor dalları ve güvenlik kamerası uygulamalarına uyarlanabilir olması, gelecek çalışmalar için önemli bir potansiyel sunmaktadır.

Özet (Çeviri)

Automatic detection of critical motion moments in long-duration video recordings (sports events, security cameras, etc.) is a significant computer vision problem. Content with long and static periods, such as baseball games, is one of the challenging application areas for this problem. In current studies, the motion detection and classification problem has not been solved to the desired level due to limited datasets and low success rates in variable large datasets. The aim of this study is to develop a deep learning model that will automatically detect and classify critical motion moments (punches, hits, catches, etc.) in Major League Baseball (MLB) videos. For this purpose, an innovative architecture based on a Convolutional Neural Network (CNN) supported by Gaussian weighting is proposed. \\ A Gaussian weighting mechanism was used to dynamically regulate the contribution of video frames to the training process. In this approach, the motion intensity was calculated for each video frame, and a weight value was assigned using a Gaussian distribution function. Frames with intense motion (such as a ball throw or a shot) received higher weights, while static frames (such as a break in play or on-field footage) received lower weights. This allowed for focus on critical moments during model training and reduced the problem of classroom imbalance. The use of the Gaussian function increased model stability by ensuring that weights were assigned in smooth transitions rather than abrupt jumps.\\ In the data preprocessing stage, video frames were normalized and each frame was weighted using motion intensity analysis and labeled for the relevant classes. A CNN architecture, specifically designed to extract spatial and temporal features of baseball moves, was trained on the dataset, which was divided into training, validation, and test sets. During the training process, Gaussian weights were integrated into the loss function to increase the model's capacity to learn critical moves. The developed model achieved a 50\% accuracy rate on the test dataset and successfully classified different baseball movements (throw, hit, catch, run, etc.). The findings demonstrate that the Gaussian weighted deep learning approach is an effective tool for motion analysis in long-duration sports videos, providing a 9.1\% performance improvement compared to traditional CNN models. The adaptability of the proposed method to other sports and security camera applications presents significant potential for future research.

Benzer Tezler

  1. Tez No

    82757

    Performance evaluation in basketball by using statistical techniques

    İstatistiksel yöntemlerle basketbolda performans ölçümü

    BARIŞ SÜRÜCÜ

    Yüksek Lisans

    İngilizce

    İngilizce

    1999

    İstatistikOrta Doğu Teknik Üniversitesi

    İstatistik Ana Bilim Dalı

    ÖMER GÜCELİOĞLU

  2. Tez No

    186414

    Sinema ve terapi Venüs`ün Çiçek Sepeti

    Cinema and theraphy the Flower Basket of Venus

    CANEL BİNGÖL

    Yüksek Lisans

    Türkçe

    Türkçe

    2006

    Güzel SanatlarMarmara Üniversitesi

    Sinema Televizyon Ana Sanat Dalı

    PROF.DR. SEMİR ASLANYÜREK

  3. Tez No

    321479

    Introducing tangible objects into motion controlled gameplay using Microsoft Kinect

    Fiziksel nesnelerin hareketli oyun kontrolü kapsamına Microsoft Kinect kullanılarak dahil edilmesi

    L. GAMZE BOZGEYİKLİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2012

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Modelleme ve Simülasyon Ana Bilim Dalı

    DOÇ. DR. VEYSİ İŞLER

  4. Tez No

    394170

    Serebral palsi'li çocuklarda sanal gerçeklik oyunlarının üst ekstremite fonksiyonları üzerine etkisi

    Effects of virtual reality games on upper extremity functions in children with cerebral palsy

    GAMZE POLEN ALTUN

    Yüksek Lisans

    Türkçe

    Türkçe

    2015

    Fizyoterapi ve RehabilitasyonMarmara Üniversitesi

    Fizyoterapi ve Rehabilitasyon Ana Bilim Dalı

    YRD. DOÇ. DR. GÖNÜL ACAR

  5. Tez No

    493216

    Özel gereksinimli bireylerde beden eğitimi ve spor etkinliklerinin motor beceri gelişimine etkisi

    Effects on the development of motor skills of physical education and sports activities in special required individuals

    NAZAN IZGAR

    Yüksek Lisans

    Türkçe

    Türkçe

    2017

    Sporİstanbul Gedik Üniversitesi

    Beden Eğitimi ve Spor Bilimleri Ana Bilim Dalı

    PROF. DR. SEFER ADA

Geri Dön