Generalized Jersey Number Recognition Using Multi-task Learning With Orientation-guided Weight Refinement

球衣号码识别（JNR）一直是体育分析中的重要任务。由于图像容易出现模糊、遮挡、变形和低分辨率等问题，提高识别准确性仍然是一个持续的挑战。最近的研究通过数字定位和光学字符识别解决了这些问题。一些方法将球员识别方案应用于图像序列，忽略了人体旋转角度对球衣数字识别的影响。通过使用多任务方案准确预测每个单独数字来识别球衣数字，可以实现更加稳健的结果。基于上述考虑，本文提出了一种名为角度数字精炼方案（ADRS）的多任务学习方法，它结合了人体方向角和数字线索来识别运动员的球衣号码。根据我们的实验结果，我们的方法增加了推理信息，显著提高了预测准确性。与仅能处理单一类型运动的最先进方法相比，所提出的方法产生了更多样化和实用的JNR应用。将足球、橄榄球、篮球、排球和棒球等不同类型的团队运动融入我们的数据集中，对于在体育分析中实现广义JNR有很大贡献。我们的准确率在Top-1上达到了64.07％，在Top-2上达到了89.97％，相应的F1分数分别为67.46％和90.64％。

本论文旨在解决运动分析中的球衣号码识别问题，提高识别准确率，通过多任务学习方法结合人体方向角和数字线索来识别球衣号码，进一步推广JNR应用于不同类型的团队运动中。

论文的关键思路是采用多任务学习方法，结合人体方向角和数字线索来识别球衣号码，从而提高识别准确率。

论文使用了多种不同类型的团队运动的数据集，实验结果表明，该方法在Top-1和Top-2的准确率上分别达到了64.07%和89.97%，相应的F1分数分别为67.46%和90.64%；该方法能够处理多种不同类型的团队运动，具有更广泛的实用性。

近期的相关研究包括数字定位和光学字符识别等方法，以及运动员身份识别方案。