Clear Sky Science
הסברים מבוססי ראיות, עם מעט ז'רגון

Clear Sky Science · he

PoseShot: מודל היברידי CNN–BiLSTM טרנספורמר לזיהוי תנועת זריקה חופשית באמצעות ניתוח תנוחה

· חזרה לאינדקס

אימון חכם יותר לזריקה קלאסית בכדורסל

לכל מי שעומד על קו העונשין פעם, ההבדל בין רשת חלקה לבין פספוס יכול להרגיש מסתורי. מחקר זה מראה כיצד אינטליגנציה מלאכותית יכולה להפוך את המסתורין לפידבק ברור ואובייקטיבי. על ידי קריאה מדוקדקת של יציבת הגוף במהלך זריקת העונשין, המערכת של החוקרים, בשם PoseShot, מחלקת את הזריקה לשלביה המובנים וחושפת אילו תנועות מבדילות בין טכניקה מוצלחת לזו הרופפת.

Figure 1
Figure 1.

פירוק זריקת עונשין לשלבים ברורים

במקום להתייחס לזריקת עונשין כאל פעולה אחת ופשטנית, PoseShot רואה בה רצף של חמישה שלבים מובחנים: דריבל, החזקה, הרמה, זריקה ועקיבה (follow-through). הצוות אסף 75 סרטונים של שחקנים מבצעים זריקות עונשין במגוון חדרי אימון, תנאי תאורה וזוויות מצלמה, ותייג אלפי פריימים בשמות השלבים הללו. גישה מדוקדקת זו מאפשרת למערכת לשאול שאלות הרבה יותר ספציפיות: האם השחקן עוצר מספיק זמן בשלב ההחזקה? האם מסלול הזרוע חלק במהלך ההרמה? האם העקיבה עקבית בין הזריקות?

קריאת הגוף בעזרת ראייה ממוחשבת

כדי לראות מה השחקן עושה, PoseShot משלבת שתי נקודות מבט משלימות על אותה תנועה. ראשית, היא מסתכלת על תמונות הווידאו הגולמיות ומשתמשת בסוג של רשת עצבית ידועה כרשת קונבולוציה כדי לתפוס צורות, מיקומי גפיים ורמזי תנועה בכל פריים. שנית, היא מריצה את הווידאו דרך כלי לאמידת תנוחה שמסמן מקומות של מפרקים דו־ממדיים בכל הגוף. מנקודות אלו היא מחשבת שמונה זוויות מפרק עיקריות, כולל שני המרפקים, הירכיים והברכיים. זוויות אלה יוצרות סוג של טביעת אצבע נומרית של היציבה לאורך זמן, ותופסות כיצד האנרגיה נעה מהרגליים, דרך הגוף, אל זרוע הזריקה.

Figure 2
Figure 2.

מיזוג שני זרמי תבונת תנועה

לב PoseShot נמצא בארכיטקטורה דו‑נתיבית שמעבדת תמונות ותנוחה זו לצד זו. זרם התמונה עובר דרך מספר שכבות שמצמצמות בהדרגה פרטים ויזואליים לתכונות דחוסות. זרם היציבה מזין את רצף זוויות המפרקים לרשת מיוחדת המודעת לזמן שעוקבת כיצד תנוחה אחת מובילה לאחרת, הן קדימה והן אחורה בזמן. מעל שני הזרמים המערכת מוסיפה שכבות טרנספורמר שמשמשות כמנגנוני תשומת לב, ומדגישות את הרגעים והקשרים המידעיים ביותר בתנועה. לבסוף, היא ממזגת את שני הזרמים ושולחתם לממיין שמחליט, פריים אחר פריים, באיזה שלב של זריקת העונשין נמצא השחקן.

מתעלה על מאמני בינה מלאכותית אחרים

כדי לשפוט עד כמה PoseShot עובדת היטב, החוקרים השוו אותה למגוון מודלים נפוצים של למידה עמוקה, מרשתות תמונה קלאסיות ועד עיצובים מודרניים מבוססי טרנספורמר. באמצעות מדד מאוזן שמתגמל גם דיוקים וגם הימנעות מטעויות, PoseShot קיבלה ציון של כ־96 מתוך 100, וניצחה את כל השיטות המתחרות בממוצע, תוך שיפור מיוחד בשלב הזריקה הקריטי. המערכת הייתה חזקה במיוחד בזיהוי תנועות ברורות כגון החזקה, זריקה ועקיבה. ההבחנות הקשות ביותר היו בין דריבל להרמה, שלעיתים מתמזגים זה בזה במשחק אמיתי ונבדלים בעיקר בזמן ובמהירות עדינה יותר מאשר בשינויי תנוחה בולטים.

מהנתונים לאימון מעשי

בהפיכת וידאו בקצב גבוה ומדידות מפרקים לתוויות שלבים מהימנות, PoseShot מציעה למאמנים יותר ממסגרת הדגשים. היא מספקת דרך מובנית לראות היכן היציבה של השחקן קורסת, עד כמה הם משחזרים בעקביות תנוחות מפתח, ואילו חלקי התנועה מבדילים בין זריקות שקלעו לבין אלה שפספסו. למרות שהמערכת עדיין מתקשה בתנועות מאוד דומות וכעת פועלת היטב ביותר על מחשבים חזקים, המחקר מצביע על עתיד שבו שחקנים בכל רמה יוכלו לקבל פירוקים מיידיים ואובייקטיביים של הטכניקה שלהם. במונחים מעשיים, זה אומר אימון ממוקד יותר, פחות הרגלים רעים, ונתיב ברור יותר מהקו לעבר הסל.

ציטוט: Hsu, WC., Lee, CC., Lee, YH. et al. PoseShot: hybrid CNN–BiLSTM transformer model for free throw action recognition via pose analysis. Sci Rep 16, 11478 (2026). https://doi.org/10.1038/s41598-026-41025-0

מילות מפתח: זריקת עונשין בכדורסל, אנליטיקה ספורטיבית, תפיסת תנועה, למידה עמוקה, זיהוי פעולות