РОЗРОБКА АРХІТЕКТУРИ ШТУЧНОЇ НЕЙРОННОЇ МЕРЕЖІ ДЛЯ ЗАДАЧІ ПРИШВИДШЕННЯ ПРОЦЕСУ КАЛІБРУВАННЯ КАМЕРИ В АНАЛІТИЦІ ФУТБОЛЬНИХ МАТЧІВ

Анотація

У статті запропоновано метод прискорення процесу калібрування камери в аналітиці футбольних матчів при збереженні прийнятної точності. Дослідження зосереджене на модифікації архітектури High-Resolution Network (HRNet) з метою зниження необхідних для неї обчислювальних витрат, що робить її придатною для застосування в реальному часі в умовах обмежених апаратних ресурсів. HRNet – це модель глибокого навчання, яка зберігає чіткі зображення на всіх етапах і добре підходить для задач, де важливо точно визначати деталі, наприклад, ключові точки або сегменти на зображенні. На відміну від традиційних моделей, які на ранніх етапах зменшують просторову роздільність, HRNet зберігає детальні просторові ознаки, обробляючи кілька різних маштабів паралельно та постійно обмінюючись інформацією між ними.

Запропонований авторами підхід базується на перевагах HRNet і покращує її ефективність за допомогою застосування трьох ключових стратегій: спрощення структури мережі, застосування дистиляції знань для передачі інформації від більших моделей до компактніших, а також використання багатозадачного навчання для одночасного вирішення задач виявлення ключових точок і ліній у межах єдиної уніфікованої моделі.

У дослідженні оцінюються кілька варіантів HRNet, зокрема стандартні спрощені версії (W32, W18), а також нові архітектури, розроблені авторами: надкомпактна (W6) і багатозадачна модель. Аналіз проводиться з урахуванням балансу між швидкістю та точністю. Ці моделі навчаються та тестуються на наборі даних SoccerNet 2023, який містить велику та різноманітну колекцію анотованих зображень футбольних матчів з різних ракурсів. Для оцінки використовуються практичні метрики, що відображають як точність калібрування, так і його повноту за різних умов проведення матчів.

Отримані результати показують, що розроблена модель W6 забезпечує до 270% приросту швидкості обробки порівняно з оригінальною HRNet при лише помірному зниженні точності (12%). Водночас запропонована багатозадачна архітектура демонструє найвищу точність серед більших моделей, які навчалися протягом такої ж кількості епох, а також володіє підвищеною швидкістю обробки навіть за умови застосування її компактних варіантів. На основі отриманих результатів робиться висновок, що ці компактні та багатозадачні архітектури є практичним рішенням для швидкого автоматизованого калібрування камер.