Ülaltoodud videos näitab Lambert, kuidas CV-tööriist tuvastab neoonrohelise täpiga kuulide pöörlemistelje ja õmbluse orientatsiooni teistes neoonvärvides.
“Ma arvan, et praegu on ilmselt kõige sobivam CV kasutusviis … hankida mõned mõõdikud, mida ma Hawk-Eye’ilt ei saa,” ütles Lambert. “Kindlasti võite ette kujutada, kui mu Cincinnati keskkoolis õppiv vend lööb aedikus ja tal pole lihtsalt Trackmani saadaval, kui saame pilte teha, saada hinnanguid toimuva kohta, siis meile meeldib seda protsessi sealt edasi häälestada.”
Arvutinägemissüsteem õpib, analüüsides tuhandeid ja tuhandeid märgistatud pilte, mõnikord isegi miljoneid, nagu Tesla varajaste isejuhtivate jõupingutuste puhul, kasutades konvolutsioonilisi närvivõrke mustrite tuvastamiseks ja ruumiliste hierarhiate mõistmiseks. See on sügav õppimine.
Boddy ja teised Driveline’is tegid süsteemi treenimiseks palju sildistamist, raskeid tõstmisi: märgistasid tuhandete ja tuhandete salvestatud pakkumiste õmblused, pöörlemisteljed ja sammutüübid. Süsteem alles õpib, täiustub.
Lambert tegi selle kuu alguses umbes 50 väljakut, uurides palli lendu ja iga reguleerimise mõju, lähtudes Driveline’i tegelikust tehisintellektist saadud tagasisidest.
Ta ei suutnud helikõrgust täiuslikult kopeerida, kuid ta suutis jäljendada mõningaid selle omadusi pärast meie arvutinägemismudeli ühe haarde ja sammu soovitust ning mõningaid näpunäiteid.
“Ma suutsin taasluua see, et sain kõrge jooksu ja käe, mida ma viskaksin,” ütles Lambert. “Ma ei suutnud tsentrifuugimise efektiivsust piisavalt vähendada, et güroskoop toimiks. Põhimõtteliselt leidsin, et supineeritud (vabastamisega) muutusprofiili loomine on lihtsam kui tema liuguri tõelise güroskoopversiooni loomine. See oli iteratsiooniprotsessi põhiosa. Tõepoolest, kõrge käe löögiga mõne sammu tekitamine ei võtnud nii kaua aega.”
Kujutage ette, mida saaksid selle tööriistaga teha tõelised professionaalsed ja kolledži viskajad ja treenerid?
See on arvutinägemise mudeli rakendus: aitab treeneritel ja mängijatel mõista, kuidas väljakuga alustada.
Driveline’i esitlemise direktor Connor White selgitab teist suurt kasu, mis on sügava õppimise abil toetatud pitching-disaini loomisel.
“Analüüsi kiirus on üks põnevamaid asju,” ütles White. “Tahame hoida neid pliiatseid nagu mäng. Nii et kui see peab pärast iga väljakutset peatuma ja hunnikut mõõdikuid vaatama ja videot kontrollima, ja kui järgmisena teate, et väljakute vahel on möödunud minut või rohkem, siis see tõesti katkestab voolu… Arvutinägemine võimaldab teil vaadelda vaadeldavat ja pöörlemispõhist (liikumist), mis viib teid reaalajas palli füüsikale lähemale.
“Kiirus, millega neid (eduseid) saab rakendada, on nii põnev.”
Tagasisideahela lühendamine, arusaam sellest, mis väljalaset teeb, on tõeliselt põnev.
Meie arvutinägemise mudel ei ole valmistoode, kuid see annab juba tulemusi meie jõusaalides.
Driveline’i treener Grayson Liebhardt ütleb, et aitab juba treenerina.
“See on tõesti kasulik tööriist, ” ütles Liebhardt. “See on veel väljatöötamisel, kuid see aitab meil ületada lünka ja mõista õmbluste orientatsiooni, ilma juurdepääsuta professionaalsete organisatsioonide andmetele… See annab meile rohkem konteksti selle kohta, miks samm võib teatud viisil liikuda või kuidas optimeerida õmbluse orientatsiooni teatud liikumisprofiilide jaoks.
“Väljaku füüsika ei ole täielikult välja töötatud. Palju on Magnusega mitteseotud asju, näiteks õmbluste nihkumine ja võib-olla ka muud muutujad, millest me võib-olla isegi ei tea, mis mõjutavad palli lendu,” rääkis Liebhardt.
Näiteks märgib Liebhardt, et me teame, kuidas õmbluse nihkumine mõjutab palli lendu, kuid me ei saa kvantifitseerida, kui palju see mõjutab liikumist koos teiste muutujatega, millest mõnda ta märgib, et “võib-olla me praegu isegi ei arvesta.”
Me ei tea kõike. Ja mis on nii põnev, on see, et arvuti nägemine aitab paremini mõista.
“Need tööriistad on väga kasulikud, et kasutada juba olemasolevat teavet,” ütles ta CV kohta, “ja ka lisateabe kogumiseks, et saaksime toonifüüsika kohta rohkem teada saada.”
Reaalmaailma tehisintellekti edusammude juures on põnev ka see, et nad jätkavad õppimist, lähevad aina paremaks.
“Minu jaoks on huvitav see, et õmbluse ja pöörlemistelje orientatsiooni on lihtsam vaadata, ” ütles Liebhardt. “See on lihtsalt midagi, mida ajalooliselt peaksite (uurima) Edgertronicu kaamerat ja proovima seda leida ja arvata, kus pöördepunkt oleks.”
Nüüd on Liebhardtil tööriist, mis võtab arvamise ära.
Ta jagas seda klippi ühest teisest Imai-sarnasest müsteeriumist, seda Driveline’i sportlaselt Tony Orebilt.
Credit Post By: Travis Sawchik