تنفيذ حديث لنموذج التعرف على الأنشطة الجماعية باستخدام الشبكات العصبية العميقة (CVPR 2016)

وصف العمل

هذا المشروع عبارة عن تنفيذ حديث لورقة بحثية منشورة في مؤتمر CVPR 2016 بعنوان:

A Hierarchical Deep Temporal Model for Group Activity Recognition

المزايا الأساسية في هذا العمل:

استخدام ResNet-50 و ResNet-34 لاستخراج الخصائص بدلاً من AlexNet.

تطبيق نماذج LSTM و GRU لالتقاط العلاقات الزمنية بين اللاعبين والفرق.

تنفيذ نسخ متعددة من النماذج (من B1 حتى B9) بما في ذلك نسخة موحّدة End-to-End.

تحسين الدقة مقارنة بنتائج الورقة الأصلية (أعلى من 93%).

تنفيذ كامل باستخدام Python و PyTorch بدلاً من Caffe.

تفاصيل البيانات:

تم استخدام مجموعة بيانات من مباريات كرة الطائرة (55 فيديو – 4830 إطار).

تم تقسيم البيانات إلى تدريب – تحقق – اختبار بدقة عالية.

تتضمن التعليقات التوضيحية أنشطة فردية (9 تصنيفات) وأنشطة جماعية (8 تصنيفات).

نتائج الأداء:

Baseline 1 → دقة: 72.6%

Baseline 6 → دقة: 84.5%

Baseline 8 → دقة: 92.3%

Baseline 9 (End-to-End) → دقة: 93.1%

الأدوات والتقنيات:

Python, PyTorch

ResNet, LSTM, GRU

Kaggle GPU (P100 و T4) للتدريب

مجالات الاستخدام:

مراقبة الفيديو والتحليلات الأمنية

تحليل المباريات الرياضية

التعرف على السلوكيات الجماعية