Tecniche di Intelligenza Artificiale per l’Analisi delle Prestazioni di Giocatori di Tennis = Artificial Intelligence techniques for analyzing tennis players' performance

Il presente lavoro di tesi è stato svolto presso l’azienda Hypertennis. Lo scopo del lavoro era quello di progettare reti neurali per svolgere tre diversi compiti connessi all’analisi automatizzata delle prestazioni nel tennis: tramite ricostruzioni 3D dell’esoscheletro di un giocatore, separare automaticamente i colpi, quindi, classificare il colpo come "dritto", "rovescio" o "servizio; dividere il colpo nelle sue varie fasi, ovvero posizione iniziale", "preparazione", "accelerazione", "impatto", "finale" e "recupero". Tali operazioni costituiscono un tassello fondamentale per l’analisi. Per svolgere questi compiti, sono state utilizzate diverse istanze dell’architettura Spatial-Temporal Graph Convolutional Networks (ST-GCN), un mezzo utile per poter sfruttare l’efficienza delle convoluzioni ed allo stesso tempo modellare le dipendenze temporali presenti all’interno dei flussi video considerati. L’elemento chiave di questa strategia è la convoluzione spazio-temporale, che consiste nel modellare i dati dell’esoscheletro in maniera da definire quali nodi vadano inclusi in ognuna delle operazioni di convoluzione, tenendo conto della struttura e delle connessioni naturali dell’esoscheletro umano, e nel gestire le dipendenze temporali considerando due stessi nodi appartenenti a fotogrammi consecutivi come adiacenti. La strategia applicata ha prodotto risultati soddisfacenti, aprendo le porte verso l’effettiva automazione di processi che richiedono molta esperienza e sono molto dispendiosi in termini di tempo.