A Inteligência artificial poderia ser o futuro da cobertura de corridas de bicicleta?

A cobertura das corridas de bicicleta mudou muito nos últimos anos. Já se foram os dias de simplesmente sentar para assistir a um feed básico de corrida. Hoje em dia, temos mais informações ao nosso alcance do que nunca, ajudando a aumentar a experiência de visualização. Temos aplicativos de segunda tela que nos permitem rastrear a posição de cada piloto durante uma corrida, e temos dados na tela que mostram a velocidade dos pilotos, frequência cardíaca e potência, tudo em tempo real.

Agora, um grupo de pesquisadores na Bélgica está tentando superar ainda mais. 

Steven Verstockt e Jelle De Bock fazem parte do grupo de pesquisa IDLab da Universidade de Ghent, um grupo que usa aprendizado de máquina, mineração de dados e técnicas de visão computacional para ajudar a preencher a lacuna entre os dados e a narrativa. Eles têm projetos em várias áreas, mas o esporte é de particular interesse e como De Bock é um piloto de elite do ciclocross, não é surpresa que o grupo de pesquisa tenha feito um esforço considerável com foco no mundo do ciclismo.

Em um documento de conferência escrito no início deste ano, De Bock, Vertstockt e colegas mostraram como sua tecnologia poderia ser usada para ajudar a tornar o ciclismo mais atraente para os espectadores.

No centro do projeto estão os metadados – efetivamente “dados sobre os dados”. Nesse caso, os metadados são informações que ajudam a categorizar ou dar sentido ao que um espectador está vendo em uma transmissão de corrida. Esses metadados podem vir dos próprios pilotos (por meio de medidores de energia, monitores de frequência cardíaca e assim por diante), ajudando a ilustrar melhor a ação. Ou os metadados podem ser gerados a partir do próprio feed de transmissão da corrida, que é o foco dos pesquisadores belgas.

A identificação do atleta por meio de imagens de vídeo foi testada em outros esportes antes (incluindo futebol e basquete), mas de acordo com Verstockt, De Bock e colegas, ninguém realmente tentou isso no ciclismo antes. 

POSE DETECÇÃO

O reconhecimento de imagem dos números dos atletas (pense nos números das corridas no ciclismo) já foi tentado antes com uma taxa de sucesso de mais de 94%, mas não é uma estratégia infalível – a tecnologia só funciona realmente em fotos onde os ciclistas estão de lado para a câmera (onde os números dos quadros são visíveis), ou andando longe da câmera (onde os números das camisas são visíveis).

Técnicas de reconhecimento facial podem ser utilizadas quando o atleta está voltado para a câmera, como um grupo de pesquisa internacional mostrou em 2014 ao analisar jogos de beisebol. Essa abordagem também não é à prova de falhas – como você esperava, ela só funciona para fotos frontais.

De Bock, Verstockt e companhia propoem uma espécie de estratégia híbrida para detecção de ciclistas, combinando várias técnicas. Ele começa com um algoritmo de “detecção de esqueleto” que identifica pontos-chave no corpo de um piloto para determinar para que lado os pilotos estão voltados em uma determinada cena. 

Uma vez que o algoritmo sabe para que lado os passageiros estão indo, ele pode escolher qual módulo de reconhecimento é o melhor. “Com base na pose e no tipo de cena, são tomadas as decisões entre o reconhecimento de rosto, reconhecimento de camisa e/ou reconhecimento de número”, escrevem os pesquisadores. “Os dados do sensor disponíveis são usados ​​para filtrar ainda mais ou verificar o conjunto de possíveis candidatos.”

DETECÇÃO DE EQUIPE E RIDER

Os pesquisadores testaram seu canal de processamento de vídeo em imagens de uma corrida de ciclocross e do Tour de France. Eles descobriram que, uma vez que seu software detectou e identificou um determinado piloto em uma amostra, ele foi capaz de rastrear esse piloto por quadros consecutivos usando a correspondência de esqueleto.

Então, quão rápido tudo isso ocorre? Os pesquisadores explicam que atualmente são capazes de ver os resultados de cerca de um quadro por segundo quando executados em tempo real (ou seja, para uma transmissão ao vivo), “o que é bom, pois não vemos muitas melhorias no processamento de mais quadros (ou seja, cada quadro ), ”Eles contam CyclingTips por e-mail. Quando processam filmagens após o fato – para vídeos de destaques, digamos, ou outras edições – eles usam “blocos de construção mais experimentais do pipeline. Isso tem a vantagem de gerar mais metadados sobre os frames, mas isso obviamente tem um custo de tempo ”.

COLOCANDO EM TESTE

Tudo isso é ótimo em teoria, mas como tudo isso pode ser usado no mundo real?

Para começar, esse tipo de metadados pode ser muito útil durante o processo de produção de vídeo. A geração automática de metadados mostrando quais corredores estão no quadro torna consideravelmente mais fácil arquivar e pesquisar imagens de um determinado passageiro.

Também existe benefícios para as equipes. O módulo de detecção de equipes pode determinar quais equipes estão na tela em um determinado momento, o que, em tese, deveria permitir a geração automática de uma edição de vídeo a partir de um determinado feed de corrida apresentando apenas os pilotos daquela equipe. Da mesma forma, deve ser fácil consultar quanto tempo uma determinada equipe passou na TV. Essas informações podem ser úteis nas negociações com patrocinadores.

Em última análise, porém, os pesquisadores estão mais interessados ​​no potencial narrativo dessa tecnologia.

“Imagine o icônico campo de areia da Copa do Mundo de Koksijde [ciclocross]”, disseram os pesquisadores ao CyclingTips por e-mail. “Michel Wuyts, um dos maiores comentaristas belgas do ciclismo costuma dizer citações no estilo de‘ Acho que Wout Van Aert perdeu a corrida no primeiro setor de areia longa ’ou‘ Mathieu van der Poel pode pedalar mais longe neste setor ’. Claro, os comentaristas de ciclismo têm apenas um par de olhos, então eles não podem ver todas as coisas que acontecem o tempo todo… É aqui que queremos entrar em jogo.

“Com os blocos de construção que temos, podemos, por exemplo, colocar uma câmera fixa nesses setores de areia e monitorar os ciclistas que pedalam ou correm no setor. Esses resultados podem ser processados ​​e fornecidos ao público como alguns insights e estatísticas interessantes. Atualmente, estamos trabalhando em uma extensão do pipeline para [distinguir] entre os ciclistas que estão correndo e os ciclistas. Quando esses dados são capturados e processados, devemos ser capazes de “fazer ou quebrar” a declaração dos comentaristas.

“Achamos que isso pode tornar a experiência do espectador melhor, porque os comentaristas podem usar esse conhecimento extra para fornecer histórias interessantes sobre a corrida que, de outra forma, teriam passado despercebidas.”

O vídeo a seguir mostra esse tipo de aplicativo em ação.

“Definitivamente, ainda exigirá algum esforço de ambas as partes”, admitem. “Nossos algoritmos agora são executados em um‘ ambiente de laboratório ’. Pelo que vimos na indústria de transmissão … seus fluxos de trabalho atuais são basicamente ‘sistemas fechados’ e que mesmo obter as imagens da corrida em tempo real não é tão fácil quanto conectar e reproduzir nosso código de processamento de vídeo em seu fluxo de transmissão de transmissão de vídeo .

“Achamos que um parceiro de transmissão que se atreve a pensar ‘fora da caixa’ seria a melhor opção para mostrar o que temos feito no laboratório.”

Texto original: https://cyclingtips.com/2020/12/could-ai-be-the-future-of-bike-race-coverage/

Escreva um comentário

0