Object detection in basketball game videos
| dc.contributor.advisor | Sotiropoulos, Dionisios | |
| dc.contributor.advisor | Σωτηρόπουλος, Διονύσιος | |
| dc.contributor.author | Kantiotis, Nikolaos | |
| dc.contributor.author | Καντιώτης, Νικόλαος | |
| dc.date.accessioned | 2025-06-05T13:17:24Z | |
| dc.date.available | 2025-06-05T13:17:24Z | |
| dc.date.issued | 2025-04 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/17827 | |
| dc.description.abstract | Η ανίχνευση αντικειμένων στην αθλητική ανάλυση έχει αποκτήσει σημαντική προσοχή λόγω της δυνατότητάς της να βελτιώσει την ανάλυση αγώνων, την παρακολούθηση της απόδοσης των παικτών και τη διαιτησία μέσω αυτοματοποίησης. Η παρούσα διατριβή εστιάζει στην ανάπτυξη ενός προηγμένου συστήματος ανίχνευσης αντικειμένων ειδικά σχεδιασμένου για βίντεο αγώνων μπάσκετ. Η προτεινόμενη προσέγγιση χρησιμοποιεί τεχνικές βαθιάς μάθησης, και συγκεκριμένα το μοντέλο YOLOv8, για την ανίχνευση και παρακολούθηση βασικών στοιχείων, όπως οι παίκτες, η μπάλα και η στεφάνη. Επιπλέον, εφαρμόζεται ομογραφικός μετασχηματισμός για την απεικό- νιση των θέσεων των παικτών σε μια δισδιάστατη αναπαράσταση του γηπέδου, επιτρέποντας πιο αποτελεσματική ανάλυση κίνησης και χωρική χαρτογράφηση. Το σύνολο δεδομένων που χρη- σιμοποιείται προέρχεται από πραγματικά πλάνα αγώνων και προεπεξεργάζεται με τεχνικές τμη- ματοποίησης του γηπέδου για τη βελτίωση της ακρίβειας ανίχνευσης. Η έρευνα συμβάλλει στον αναπτυσσόμενο τομέα της αθλητικής ανάλυσης, παρέχοντας ένα αυτοματοποιημένο σύστημα σε πραγματικό χρόνο που μπορεί να βοηθήσει προπονητές, αναλυτές και σχολιαστές στην καλύτερη κατανόηση του παιχνιδιού. | el |
| dc.format.extent | 69 | el |
| dc.language.iso | en | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
| dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
| dc.title | Object detection in basketball game videos | el |
| dc.title.alternative | Αναγνώριση αντικειμένων σε βίντεο αγώνων μπάσκετ | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | Object detection in sports analytics has gained significant attention due to its potential to enhance game analysis, player performance tracking, and automated officiating. This thesis focuses on developing an advanced object detection system specifically designed for basketball game videos. The proposed approach utilizes deep learning techniques, particularly the YOLOv8 model, to detect and track key elements such as players, the ball, and the hoop. Additionally, homography transformation is applied to map player positions onto a 2D court representation, enabling more effective movement tracking and spatial analysis. The dataset used is sourced from real-game footage and preprocessed using court segmentation techniques to improve detection accuracy. This research contributes to the growing field of sports analytics by providing an automated, real-time object detection system that can assist coaches, analysts, and broadcasters in gaining deeper insights into game dynamics. | el |
| dc.contributor.master | Πληροφορική | el |
| dc.subject.keyword | Αναγνώριση αντικειμένων | el |
| dc.date.defense | 2025-06 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Πληροφορικής
Department of Informatics
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα