Роль сверточных нейронных сетей в анализе результатов игры в крикет

Обложка

Цитировать

Полный текст

Аннотация

Обширный обзор современной литературы позволил сделать важные выводы, подчеркнув важность сверточных нейронных сетей (СНС) для анализа результатов игры в крикет и наметив новые направления для будущих исследований. Несмотря на такие трудности, как ограниченная доступность данных, трудности с обработкой и интерпретируемостью, включение СНС в статистику по крикету, - это потенциальная возможность, появившаяся благодаря достижениям в области машинного обучения и методов глубокого обучения. Инструкторы, игроки и аналитики данных могут использовать СНС для лучшего понимания игры, извлечения значимой информации из видеоданных и улучшения процессов принятия решений. Основные результаты показывают, что СНС являются эффективными инструментами для решения различных задач анализа крикета, связанных с отбиванием, боулингом, филдингом и отслеживанием игроков. Применение СНС представляет собой прогресс в анализе крикета, обещающий открыть новые аспекты производительности и ознаменовать эру совершенного крикета, основанного на данных. Расширение данных, использование распараллеливания, поддающийся объяснению искусственный интеллект и следование этическим принципам предоставляют возможности решения существующих проблем и определяют будущие успехи в области спортивного анализа с СНС. Внедрение технологических достижений и определение направлений перспективных исследований являются важными шагами на пути к реализации этого революционного потенциала.

Об авторах

Надуни Кешани Ранасингхе

Российский университет дружбы народов

Email: 1032225220@rudn.ru
ORCID iD: 0009-0008-1193-4681

магистрант департамента механики и процессов управления, инженерная академия

Москва, Россия

Лариса Владимировна Круглова

Российский университет дружбы народов

Автор, ответственный за переписку.
Email: kruglova-lv@rudn.ru
ORCID iD: 0000-0002-8824-1241
SPIN-код: 2920-9463

кандидат технических наук, доцент департамента механики и процессов управления, инженерная академия

Москва, Россия

Список литературы

  1. Awan MJ, Gilani SAH, Ramzan H, et al. Cricket Match Analytics Using the Big Data Approach. Electronics (Basel). 2021;10(19). https://doi.org/10.3390/ELECTRONICS10192350
  2. Kapadia K, Abdel-Jaber H, Thabtah F, Hadi W. Sport analytics for cricket game results using machine learning: An experimental study. Applied Computing and Informatics. 2022;18(3-4):256-266. https://doi.org/10.1016/J.ACI.2019.11.006/FULL/PDF
  3. Sharma R, Bashir S, Tiwary VN, Kumar S. Exploring the Potential of Convolution Neural Network Based Image Classification. 2023 1st DMIHER International Conference on Artificial Intelligence in Education and Industry 40 (IDICAIEI). 2023. https://doi.org/ 10.1109/IDICAIEI58380.2023.10406528
  4. Jiang S, Zavala V. Convolutional Neural Nets: Foundations, Computations, and New Applications. arXiv.org. 2021. https://doi.org/10.48550/arXiv.2101.04869
  5. Athiwaratkun B, Kang K. Feature Representation in Convolutional Neural Networks. 2015. https://doi.org/10.48550/arXiv.1507.02313
  6. Alaka S, Sreekumar R, Shalu H. Efficient Feature Representations for Cricket Data Analysis using Deep Learning based Multi-Modal Fusion Model. arXiv.org. 2021.
  7. Al Islam MN, Hassan T Bin, Khan SK. A CNNbased approach to classify cricket bowlers based on their bowling actions. 2019 IEEE International Conference on Signal Processing, Information, Communication & Systems. 2019:130-134. https://doi.org/10.1109/SPICSCON48833.2019.9065090
  8. Kamath U, Liu JC, Whitaker J. Convolutional Neural Networks. Deep Learning for NLP and Speech Recognition. 2019:263-314. https://doi.org/10.1007/9783-030-14596-5_6
  9. Chityala R, Pudipeddi S. Convolutional Neural Network. Programming with TensorFlow. 2020:265-273. https://doi.org/10.1201/9780429243370-12
  10. Defferrard M, Bresson X, Vandergheynst P. Convolutional Neural Networks on Graphs with Fast Localized Spectral Filtering. Neural Information Processing Systems. 2016.
  11. Liu Y, Shao HJ, Bai B. A Novel Convolutional Neural Network Architecture with a Continuous Symmetry. CAAI International Conference on Artificial Intelligence. 2023. https://doi.org/10.48550/ARXIV.2308.01621
  12. Szegedy C, Liu W, Jia Y, et al. Going deeper with convolutions. 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Boston, MA, USA, 2015; p. 1-9. https://doi.org/10.1109/CVPR.2015.7298594
  13. Huang X. Convolutional Neural Networks. In: Convolution. arXiv.org. 2018.
  14. Gama F, Marques AG, Leus G, Ribeiro A. Convolutional Neural Network Architectures for Signals Supported on Graphs. IEEE Transactions on Signal Processing. 2018;67(4):1034-1049. https://doi.org/10.1109/TSP.2018.2887403
  15. Coleman S, Kerr D, Zhang Y. Image Sensing and Processing with Convolutional Neural Networks. Italian National Conference on Sensors. 2022;22(10). https://doi.org/10.3390/S22103612
  16. Karmaker D, Chowdhury AZME, Miah MSU, Imran MA, Rahman MH. Cricket shot classification using motion vector. 2015 Second International Conference on Computing Technology and Information Management (ICCTIM). 2015:125-129. https://doi.org/10.1109/ICCTIM.2015.7224605
  17. Hidalgo DP. Convolutional neural networks for image processing. Universitat autònoma DE Barcelona (UAB); 2018. p. 1-7.
  18. Chai J, Zeng H, Li A, Ngai EWT. Deep learning in computer vision: A critical review of emerging techniques and application scenarios. Machine Learning with Applications. 2021;6:100134. https://doi.org/10.1016/J.MLWA.2021.100134
  19. Foysal MFA, Islam MS, Karim A, Neehal N. Shot-Net: A Convolutional Neural Network for Classifying Different Cricket Shots. International Conference on Recent Trends in Image Processing and Pattern Recognition. 2018;1035:111-120. https://doi.org/10.1007/978-981-13-9181-1_10
  20. Ramesh M, Mahesh K. A Performance Analysis of Pre-trained Neural Network and Design of CNN for Sports Video Classification. International Conference on Cryptography, Security and Privacy. 2020:213-216. https://doi.org/10.1109/ICCSP48568.2020.9182113
  21. Radhakrishnan G, Parasuraman T, Harigaran D, Ramakrishnan R, Krishnakumar R, Ramesh KA. Machine Learning Techniques for Analyzing Athletic Performance in Sports using GWO-CNN Model. 2022 6th International Conference on Electronics, Communication and Aerospace Technology. 2022:925-931. https://doi.org/10.1109/ICECA55336.2022.10009065
  22. Zeeshan Khan M, Hassan MA, Farooq A, Ghanni Khan MU. Deep CNN Based Data-Driven Recognition of Cricket Batting Shots. International Conference on Advanced Energy Materials. 2018:67-71. https://doi.org/10.1109/ICAEM.2018.8536277
  23. Dixit K, Balakrishnan A. Deep Learning using CNNs for Ball-by-Ball Outcome Classification in Sports. 2016.
  24. Al Islam MN, Hassan T Bin, Khan SK. A CNNbased approach to classify cricket bowlers based on their bowling actions. 2019 IEEE International Conference on Signal Processing, Information, Communication & Systems (SPICSCON). 2019:130-134. https://doi.org/10.1109/SPICSCON48833.2019.9065090
  25. Lindsay C, Spratford W. Bowling action and ball flight kinematics of conventional swing bowling in pathway and high-performance bowlers. Journal sport science. 2020;38(14):1650-1659. https://doi.org/10.1080/02640414.2020.1754717
  26. Batra N, Gupta H, Yadav N, Gupta A, Yadav A. Implementation of augmented reality in cricket for ball tracking and automated decision making for no ball. International Conference on Advances in Computing, Communications and Informatics. 2014:316-321. https://doi.org/10.1109/ICACCI.2014.6968378
  27. Iyer SR, Sharda R. Prediction of athletes performance using neural networks: An application in cricket team selection. Expert Syst Appl. 2009;36(3): 5510-5522. https://doi.org/10.1016/J.ESWA.2008.06.088
  28. Manivannan S, Kausik M. Convolutional Neural Network and Feature Encoding for Predicting the Outcome of Cricket Matches. International Conference on Industrial and Information Systems. 2019:344-349. https://doi.org/10.1109/ICIIS47346.2019.9063316
  29. Vidisha, Bhatia V. A review of Machine Learning based Recommendation approaches for cricket. 2020 Sixth International Conference on Parallel, Distributed and Grid Computing (PDGC). 2020:421-427. https://doi.org/10.1109/PDGC50313.2020.9315320
  30. Gregorio PD. Interpretability of deep learning models. 2019.
  31. Magooda A, Litman D. Mitigating Data Scarceness through Data Synthesis, Augmentation and Curriculum for Abstractive Summarization. Findings of the Association for Computational Linguistics, Findings of ACL: EMNLP 2021. 2021:2043-2052. https://doi.org/10.18653/V1/2021.FINDINGS-EMNLP.175
  32. Ibrahim R, Omair Shafiq M. Explainable Convolutional Neural Networks: A Taxonomy, Review, and Future Directions. ACM Comput Surv. 2022;55(10). https://doi.org/10.1145/3563691

© Ранасингхе Н.К., Круглова Л.В., 2024

Ссылка на описание лицензии: https://creativecommons.org/licenses/by-nc/4.0/legalcode

Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах