Eine kontextsensible Verlustfunktion für die Erkennung von Aktionen in Fußballvideos

Im Bereich der Videoanalyse bezieht sich das Action Spotting auf die zeitliche Lokalisierung von menschengesteuerten Ereignissen, die mit einzelnen Zeitstempeln annotiert sind. In dieser Arbeit schlagen wir eine neuartige Verlustfunktion vor, die den zeitlichen Kontext berücksichtigt, der natürlicherweise um jedes Aktion herum vorhanden ist, anstatt sich nur auf das einzelne annotierte Bild zu konzentrieren. Wir evaluieren unsere Verlustfunktion anhand eines großen Datensatzes von Fußballvideos, SoccerNet, und erreichen eine Verbesserung von 12,8 % im Vergleich zur Baseline. Wir demonstrieren zudem die Generalisierungsfähigkeit unserer Verlustfunktion für generische Aktivitätsvorschläge und -erkennung auf ActivityNet durch die Identifizierung des Anfangs und Endes jeder Aktivität. Darüber hinaus führen wir eine erweiterte Analyse der Einflussfaktoren durch und präsentieren herausfordernde Fälle für das Action Spotting in Fußballvideos. Schließlich illustrieren wir qualitativ, wie unsere Verlustfunktion eine präzise zeitliche Auffassung von Aktionen induziert und zeigen auf, wie dieses semantische Wissen für die automatische Erstellung von Highlights genutzt werden kann.