- Nosaukums (angļu):
- Improving Football Ball Detection Using Frame Differencing and Deep Learning Models
- Autors:
- Andrii Zaporozhets
- Izdevējs:
- Ventspils: Ventspils Augstskola
- Oriģināla radīšanas datums:
- 2026
- Resursa virstips:
- Teksts
- Resursa tips:
- Zinātnisks darbs/Teksts
Metadati
- Nosaukums (angļu):
- Improving Football Ball Detection Using Frame Differencing and Deep Learning Models
- Alternatīvais nosaukums (latviešu):
- Futbola bumbas detektēšanas uzlabošana, izmantojot video kadru differenci un dziļās mācīšanās modeļus
- Zinātniskā darba tips:
- Bakalaura darbs
- Autors:
- Andrii Zaporozhets
- Līdzradītājs:
- Jānis Hofmanis, 1984 - , zinātniskais vadītājs
- Līdzradītājs:
- Ginta Majore, recenzents
- Fiziskais raksturojums (latviešu):
- 51 lp.
- Izdevējs:
- Ventspils: Ventspils Augstskola
- Oriģināla radīšanas datums:
- 2026
- Fiziskais datu nesējs:
- Digitāli radīts
- Valoda:
- angļu
- Anotācija (angļu):
- Title of the Thesis: Improving Football Ball Detection Using Frame Differencing and Deep Learning Models. Author: Andrii Zaporozhets Supervisor: Dr. Sc. Comp Jānis Hofmanis Length of the Thesis: 37 pages, 2 tables, 10 references, 2 appendices. Keywords: ball detection, deep learning, optical flow, computer vision, image pro- cessing. The technological advancements have increased the amount of visual sport data by a great extent. With the synchronous rise of AI, it gives a lot of opportunities for visual data analysis. It helps to observe each player’s performance and is very important to teams and their coaches. But some video analysis tasks can be hard to complete for the ordinary models. As for the moving ball detection, it is often impossible for the majority of models to capture the ball while it is flying in the air passing by the complex background. For instance, just like a human eye, the model is likely to lose the ball when it appears to be on the motley background of the tribunes. In similar cases the ball is completely invisible and it disrupts the overall model performance greatly. This thesis proposes a solution to this problem where the main idea is applying optical flow methods for pre-processing training dataset and training the model on it. In this thesis author proves that stabilizing the motion in the video images using approaches as Lucas-Kanade stabilization method, Shi-Tomasi corner detector and frame difference method to the train data, the resulting performance of the model is much better in the specific cases when the ball is hard to find.
- Anotācija (latviešu):
- Darba nosaukums: Futbola bumbas detektēšanas uzlabošana, izmantojot video kadru differenci un dziļās mācīšanās modeļus. Autors: Andrii Zaporozhets Darba vadītājs: Dr. Sc. Comp Jānis Hofmanis Darba apjoms: 37 lapas, 2 tabulas, 10 references, 2 pielikumi. Atslēgas vārdi: bumbas atpazīšana, dziļā apmācība, optiskās plūsmas metode, da- torredze, attēlu apstrāde. Datortehnoloģiju attīstība ir ievērojami palielinājusi vizuālo sporta datu apjomu. Vienlaikus ar straujo mākslīgā intelekta attīstību šis fakts paver plašas iespējas sporta datu analīzei. Šāda analīze palīdz novērtēt katra spēlētāja sniegumu un ir ļoti nozīmīga gan komandām, gan to treneriem. Tomēr daži video analīzes uzdevumi izplatītākajiem datorredzes modeļiem var būt grūti izpildāmi. Piemēram, kustīgas bumbas noteikšana bieži vien ir sarežģīta, jo lielākā daļa datorredzes modeļu nespēj uztvert bumbu brīdī, kad tā lido gaisā uz sarežģīta fona. Līdzīgi kā cilvēka acs, arī modelis var pazaudēt bumbu, ja tā parādās uz raiba tribīņu fona. Šādos gadījumos bumba kļūst gandrīz neredzama un saplūst ar fonu, kas būtiski pasliktina kopējo modeļa darbības kvalitāti. Šajā darbā tiek piedāvāts risinājums šai problēmai, kura galvenā ideja ir optiskās plūsmas metožu izmantošana apmācības datu kopas priekšapstrādē un modeļa apmācība, izmantojot šādi sagatavotus datus. Darbā autors pierāda, ka, stabilizējot kustību video attēlos ar tādām pieejām kā Lucas–Kanade stabilizācijas metode, Shi–Tomasi stūru detektors un kadru starpības metode apmācības datiem, iegūtā modeļa veiktspēja ir ievērojami labāka īpašos gadījumos, kad bumbu ir grūti saskatīt.
- Pieder kolekcijai:
- Academia
- Temats:
- Bakalaura darbi
- Temats:
- Ventspils Augstskola. Informācijas tehnoloģiju fakultāte
- Temats:
- Datorzinātnes
- Ģeogrāfiskais nosaukums:
- Ventspils (Latvija)
- Oriģināla turētājs (*):
- Ventspils Augstskola
- Izveidošanas datums:
- 17.08.2026
- APLIS autortiesību statuss:
- Aizsargāts ar tiesībām
- APLIS piekļuves tiesības:
- Šo darbu aizsargā autortiesības un/vai blakustiesības. Šo darbu var brīvi lietot personiskai lietošanai, zinātniskam pētījumam vai pašizglītībai. Citiem izmantošanas veidiem jāsaņem tiesību subjekta (-u) atļauja.
- APLIS tiesību paziņojums:
- Ir aizsargāts ar autortiesībām — komerciālā apritē neesošs
- APLIS piekļuves paziņojums:
- Pieejams tīmeklī (bez iespējas lejupielādēt)
- Bloķēts:
- Nē
- Resursa virstips:
- Teksts
- Resursa tips:
- Zinātnisks darbs/Teksts
- URI:
-
https://dom.lndb.lv/data/obj/1716483
RDF dati | XML dati
Pieejamās datnes
| Nosaukums | Apraksts | Izmērs | Hash | Piekļuves statuss | |
|---|---|---|---|---|---|
| 1. | Zaporozhets_Andrii_220106.pdf | 15.6 MB | 33bc7467ffa35d5716f080384583d562 | Lejupielādēt Atvērt |
Tehniskās datnes
| Nosaukums | Apraksts | Izmērs | Hash | |
|---|---|---|---|---|
| 1. | copyright.json | Autortiesību fails | 7.33 KB | 44aedea84f2fb660b3a5b99776f92055 |
Lūdzu uzgaidiet