Pixels or Positions? Benchmarking Modalities in Group Activity Recognition
تقدم هذه الورقة البحثية SoccerNet-GAR، وهي مجموعة بيانات متعددة الوسائط متزامنة لمباريات كأس العالم 2022، لتقييم التعرف على الأنشطة الجماعية وإثبات أن النماذج القائمة على التتبع التي تستخدم بنية رسومية مبتكرة واعية بالأدوار تتفوق بشكل كبير على النهج القائم على الفيديو في كل من الدقة والكفاءة الحسابية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تحاول فهم مباراة كرة قدم معقدة. لديك طريقتان لمشاهدتها:
رؤية "السينما" (البكسلات): تشاهد البث الكامل على التلفاز. ترى العشب الأخضر، والقمصان الملونة، والعرق على وجوه اللاعبين، والجمهور يهتف. إنها غنية بالتفاصيل، لكنها ثقيلة، وفوضوية، ويمكن أن تصبح مربكة إذا ركزت الكاميرا كثيراً (Zoom) أو إذا حجب اللاعبون بعضهم البعض.
رؤية "السبورة التكتيكية" (المواقع): تنظر إلى خريطة رقمية مبسطة. لا ترى وجوه اللاعبين أو العشب؛ بل ترى مجرد 22 نقطة تتحرك حول الملعب، متصلة بخطوط توضح من يمرر الكرة لمن. لقد جُردت من كل "الحشو"، تاركةً فقط المنطق الصافي للعبة.
يطرح هذا البحث سؤالاً بسيطاً ولكنه عميق: لفهم ما يفعله الفريق حقاً كمجموعة، أي رؤية هي الأفضل؟ الفيلم الغني أم الخريطة البسيطة؟
المشكلة: كنا نعتمد على التخمين
لسنوات، حاول الباحثون تعليم الحواسيب التعرف على "الأنشطة الجماعية" (مثل "الهجمة المرتدة" أو "الكرات الثابتة"). وقد استخدموا في الغالب رؤية السينما (الفيديو). وهي تعمل بشكل جيد نوعاً ما، لكنها مكلفة حسابياً وتصاب بالارتباك بسهولة (على سبيل المثال، إذا كان لون قميص اللاعب هو نفس لون العشب).
في هذه الأثناء، تم تجاهل رؤية السبورة التكتيكية (بيانات التتبع) لهذا النوع المحدد من المهام، رغم أنها مدمجة وتجسد بدقة كيف يتحرك اللاعبون بالنسبة لبعضهم البعض. المشكلة؟ لم يكن لدى أحد طريقة عادلة للمقارنة. كان الأمر يشبه محاولة مقارنة سيارة فيراري بدراجة هوائية دون وجود مضمار يمكن لكليهما السير عليه.
الحل: SoccerNet-GAR
بنى المؤلفون "مضمار سباق" جديداً تماماً يسمى SoccerNet-GAR.
- أخذوا 64 مباراة من كأس العالم 2022.
- أخذوا فيديو البث الخام (الفيلم) وبيانات التتبع الخام (النقاط على الخريطة).
- قاموا بمزامنتهم بشكل مثالي بحيث يرى الكمبيوتر، لكل حدث واحد (مثل "هدف" أو "تمريرة")، كلاً من الفيديو والخريطة في نفس اللحظة تماماً.
- أنشأوا مجموعة بيانات تضم ما يقرب من 88,000 حدث لاختبار الحواسيب.
التجربة: الوزن الثقيل مقابل الوزن الخفيف
أقاموا سباقاً بين نوعين من الذكاء الاصطناعي:
ذكاء الفيديو (الوزن الثقيل): هذا النموذج يشبه وحشاً ضخماً وجائعاً. يلتهم كميات هائلة من بيانات الفيديو. لديه 86 مليون بارامتر (فكر في هذه كـ "خلايا دماغية"). وهو يحتاج إلى الكثير من الكهرباء (ساعات وحدة معالجة الرسومات - GPU) لتدريبه.
ذكاء التتبع (الوزن الخفيف): هذا النموذج رياضي رشيق وفعال. ينظر فقط إلى النقاط والخطوط. إنه صغير جداً مقارنة بنموذج الفيديو. لديه 1180,000 بارامتر فقط.
النتائج: الفوز الساحق للمستضعف
كانت النتائج صادمة. لم يكتفِ ذكاء التتبع الخفيف بالفوز فحسب، بل سحق ذكاء الفيديو ذو الوزن الثقيل.
- الدقة: حقق ذكاء التتبع دقة بنسبة 77.8%. بينما حقق ذكاء الفيديو نسبة 60.9% فقط.
- الكفاءة: استخدم ذكاء التتبع أقل بـ 479 مرة من "الخلايا الدماغية" التي استخدمها ذكاء الفيديو.
- السرعة: استغرق تدريب ذكاء التتبع وقتاً وطاقة أقل بـ 7 مرات.
التشبيه: تخيل أنك تحاول تحديد حركة رقص معينة.
- ذكاء الفيديو يشبه المصور الذي يلتقط 10,000 صورة عالية الدقة للراقص، ويحلل الإضاءة، وقماش القميص، والخلفية. إنه بطيء ويصاب بالارتباك إذا ارتدى الراقص قميصاً مختلفاً.
- ذكاء التتبع يشبه مصمم الرقصات الذي يراقب حركة أقدام وأذرع الراقصين على شبكة. إنه يتجاهل الملابس والإضاءة، ويرى نمط الحركة فوراً.
لماذا فازت "الخريطة"؟
وجد البحث أنه بالنسبة للرياضات الجماعية، الهيكل يهم أكثر من المظهر.
- سر "الدور": كان ذكاء التتبع ذكياً. فقد عرف أن "حارس المرمى" يكون دائماً بالقرب من المرمى، وأن "المهاجم" يكون بالقرب من مرمى الخصم. لقد ربط النقاط بناءً على هذه الأدوار التكتيكية (مثل المدرب الذي يرسم خطوطاً على السبورة البيضاء). منح هذا الأمر نموذج التتبع ميزة هائلة.
- معاناة الفيديو: تشتت ذكاء الفيديو. حاول تخمين الحدث بناءً على شكل اللاعبين. إذا تغيرت الإضاءة أو حجب لاعبٌ لاعباً آخر، فإنه يصاب بالارتباك.
الاستثناء الوحيد
كانت هناك لحظة واحدة فاز فيها ذكاء الفيديو: الضربات الرأسية (Headers).
عندما يقفز لاعب لضرب الكرة برأسه، فإن المظهر المرئي للقفزة يكون مميزاً جداً. النقاط البسيطة على الخريطة لم تستطع التقاط تفاصيل "القفز" بدقة كما فعل الفيديو. ولكن في كل شيء آخر تقريباً (التمريرات، الالتحامات، الأهداف)، كانت الخريطة هي الأفضل.
الخلاصة الكبرى
هذا البحث يغير قواعد اللعبة. إنه يثبت أنه بالنسبة لفهم الرياضات الجماعية، أنت لا تحتاج إلى كاميرا بدقة 4K؛ بل تحتاج إلى خريطة جيدة.
من خلال التركيز على أين يتواجد اللاعبون وكيف يتحركون بالنسبة لبعضهم البعض (المواقع)، بدلاً من كيف يبدون (البكسلات)، يمكننا بناء ذكاء اصطناعي هو:
- أذكى (أكثر دقة).
- أسرع (يتدرب في ساعات، وليس أياماً).
- أرخص (يعمل على أجهزة كمبيوتر صغيرة، وليس على الحواسيب الفائقة).
يقوم المؤلفون الآن بإصدار هذه البيانات والشيفرة البرمجية للعالم، داعين الجميع لبناء ذكاء اصطناحي رياضي أفضل، أخف، وأذكى.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.