Ocena jakości akcji sportowca oparta na dekompozycji oceny jakości sieci przenoszącej w złożonych scenariuszach sportowych

Dlaczego inteligentniejsze sędziowanie w sporcie ma znaczenie

Od skoków do wody na igrzyskach po bitwy breakdance, wiele dyscyplin polega na ludzkich sędziach, którzy zamieniają złożone ruchy na jedną ocenę. Jednak długie występy są nierówne: jedne momenty są spektakularne, inne chwiejne lub po prostu wypełniaczowe. W tym badaniu analizuje się, jak sztuczna inteligencja może obejrzeć całe wideo z złożonym występem, wyłowić naprawdę istotne momenty i wygenerować bardziej spójne, drobiazgowe oceny, które mogą wspierać sędziów, trenerów, lekarzy i osoby uczące się.

Oglądać cały pokaz, a nie tylko skrót

Tradycyjne systemy komputerowe oceniające występy sportowe często traktują pełne wideo tak, jakby każda sekunda miała jednakowe znaczenie. To założenie zawodzą w rzeczywistych wydarzeniach. W breakdance, na przykład, pierwsze kroki dopasowane do muzyki mają mniejsze znaczenie niż trudne elementy na ziemi, freeze’y czy obroty mocy pojawiające się później. Istniejące metody często uśredniają wszystko razem, co ukrywa zarówno błyskotliwe ruchy, jak i krytyczne błędy. Autorzy opisują to jako ogólny problem w długich materiałach szkoleniowych: jakość zmienia się w czasie, a dowody pozytywne i negatywne mogą współistnieć w tym samym występie. Ich celem jest zbudowanie systemu, który oddziela kluczowe momenty od ruchu tła, ułatwiając porównanie, kto rzeczywiście wykonał lepiej.

Dwa sposoby patrzenia na ten sam występ

Proponowany model ogląda każde wideo przez dwie oddzielne soczewki. Jeden „dynamiczny” strumień koncentruje się na ruchu w czasie, wykorzystując krótkie klipy, wychwytując rytm, płynność i ciągłość. Drugi „statyczny” strumień bada pojedyncze klatki, wychwytując postawę, kontrolę ciała i drobne błędy formy, które mogą pojawić się jedynie na ułamek sekundy. Co ważne, strumienie te nie są mieszane wcześnie. Każdy najpierw uczy się własnego spojrzenia na występ, co pomaga zapobiegać przykryciu krótkotrwałych błędów postawy przez długie, płynne sekwencje i odwrotnie. Dopiero gdy każdy strumień wykształci własne cechy świadome jakości, są one łączone, aby oszacować ogólną ocenę.

Oddzielanie mocnych ruchów od słabych

W sercu systemu znajduje się moduł „dekompozycji oceny”, który wprost rozdziela segmenty wideo wyglądające na dowody wysokiej jakości od tych sugerujących słabsze lub wadliwe wykonanie. Inspirując się nowoczesnymi sieciami opartymi na mechanizmach uwagi, model uczy się dwóch wewnętrznych „prototypów”: jednego wyszukującego momenty wysokiej jakości, a drugiego koncentrującego się na momentach niskiej jakości. W miarę przetwarzania wideo każdy prototyp przydziela różne wagi poszczególnym segmentom, tworząc dwa komplementarne podsumowania: jedno zbudowane z najlepszych klipów, drugie z najgorszych lub najmniej istotnych fragmentów. Zachowywany jest także prosty średni czasowy jako neutralna baza. Specjalne reguły treningowe wymuszają, by widoki wysokiej i niskiej jakości różniły się w użyteczny sposób i skupiały na różnych częściach wideo, zamiast zbiegać się na tych samych oczywistych klatkach.

Nauka porządkowania występów przez oglądanie par

Zamiast polegać na precyzyjnych wartościach liczbowych od ekspertów, system jest trenowany głównie na porównaniach parami: biorąc dwa wideo, który wykonawca pokazał ogólnie lepszą umiejętność? Dla każdej pary model przewiduje oceny dla gałęzi wysokiej jakości, niskiej jakości i średniej, i jest karany, jeśli źle ustawi porządek lub jeśli rozdzielone gałęzie nie okażą się bardziej rozróżniające niż prosta średnia. Dodatkowe składniki treningowe zachęcają widoki „dobry” i „zły” do eksponowania różnych segmentów czasowych. Po zakończeniu treningu system może obejrzeć jedno nowe wideo i wygenerować stabilną ocenę jakości, bez potrzeby porównywania z referencyjnym materiałem.

Od bitew breakdance po chirurgię i codzienne umiejętności

Aby przetestować swoje podejście, autorzy zbudowali nowy zbiór danych z walkami światowej klasy w breakdance i ocenili metodę na dwóch istniejących kolekcjach długich wideo ze skillami: zadaniach codziennych, takich jak rysowanie, gotowanie i wiązanie krawata, oraz czynnościach chirurgicznych i wymagających precyzji motorycznej. W tych zróżnicowanych ustawieniach ich model zwykle dorównywał lub przewyższał dokładność czołowych metod przy ustalaniu, które z dwóch wideo pokazuje wyższy poziom umiejętności. Wizualizacje wewnętrznych map uwagi pokazują, że gałęzie wysokiej jakości zwykle rozświetlają się wokół dobrze kontrolowanych, technicznie wymagających ruchów, podczas gdy gałęzie niskiej jakości podkreślają niezgrabne przejścia lub nieukończone działania. Dla czytelnika nieznającego tematu istotne jest to, że system uczy komputery nie tylko rozpoznawać, jaka akcja się dzieje, ale jak dobrze jest wykonana — poprzez staranne oddzielenie najlepszych i najgorszych fragmentów występu przed połączeniem ich w końcową, interpretowalną ocenę.

Cytowanie: Gao, L., Ma, Y., Bi, S. et al. Athlete action quality assessment based on transfer neural network quality score decoupling in complex sports scenarios. Sci Rep 16, 15795 (2026). https://doi.org/10.1038/s41598-026-43987-7

Słowa kluczowe: ocena jakości akcji, analiza wideo sportowego, breakdance, modele oparte na uwadze, ocena umiejętności