Analysing and Predicting Opponent Movements in Sabre Fencing Matches Using Machine Learning

Jaeha Kim

Diplomová práce

Analýza a predikce pohybů soupeře v zápasech šavlového šermu pomocí strojového učení

Anotace:

Tato diplomová práce představuje rámec pro taktickou analýzu šavlového šermu z videozáznamu utkání, který kombinuje odhad pózy obou šermířů, hierarchické rozpoznávání akcí a temporální dekódování založené na událostech s cílem odvodit z televizního záznamu strukturované taktické reprezentace. Při hodnocení na jedenácti mezinárodních utkáních s použitím metody leave-one-match-out cross-validation dosáhla síť TCN přesnosti 74,5 % na úrovni klipů a makro-F1 skóre 0,595. Rozpoznávání fází na úrovni celého zápasu dosáhlo přesnosti 89 %, avšak přesnost na aktivních snímcích mimo třídu Neutral klesla na 41 %, což potvrdilo, že jemnozrnné rozpoznávání akcí ve fázi Exchange představuje hlavní úzké místo systému. Taktická analýza ukázala, že udržení iniciativy směrem vpřed v situacích sporného práva přednosti souviselo s vyšší úspěšností, že hráči při nepříznivém skóre častěji volili defenzivní řešení a že nejčastěji volené akce nebyly vždy zároveň nejefektivnější. Doplňkový exploratorní experiment dále ukázal slabou, ale měřitelnou předvídatelnost následující akce ve fázi Exchange. Celkově studie ukazuje, že rozpoznávání založené na skeletu může podpořit exploratorní taktickou analýzu šavlového šermu, přičemž jemnozrnné rozpoznávání akcí ve fázi Exchange zůstává hlavní výzvou pro budoucí výzkum.

Abstract:

This thesis presents a tactical analysis framework for sabre fencing from match video, combining dual-person pose estimation, hierarchical action recognition, and event-based temporal decoding to derive structured tactical representations from broadcast footage. Evaluated on eleven international matches using leave-one-match-out cross-validation, the TCN achieved 74.5% clip-level accuracy and a macro-F1 of 0.595. Match-level phase recognition reached 89% accuracy, but accuracy on non-Neutral active frames dropped to 41%, confirming fine-grained Exchange recognition as the main bottleneck. Tactical analysis showed that maintaining forward initiative in contested right-of-way situations was associated with higher success rates, that trailing players tended to adopt more defensive choices, and that frequently selected actions were not always the most effective. A small experiment also found slight but measurable predictability in the next Exchange action. Overall, the study shows that skeleton-based recognition can support exploratory tactical analysis in sabre fencing while highlighting fine-grained Exchange classification as the main challenge for future work.

Klíčová slova

Šerm šavlí, rozpoznávání akcí, odhad pózy, temporální konvoluční síť, taktická analýza, rozpoznávání na základě kostry, sportovní analytika

Keywords

Sabre fencing, action recognition, pose estimation, temporal convolutional network, skeleton-based recognition, tactical analysis, sports analytics

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 15. 5. 2026

Obhajoba závěrečné práce

• Obhajoba proběhla 18. 6. 2026
• Vedoucí: doc. Ing. František Dařena, Ph.D.
• Oponent: Robert Rouš, Ing.

Mendelova univerzita v Brně

Provozně ekonomická fakulta

Magisterský studijní program / specializace:
Open Informatics / Zaměření pro Otevřenou informatiku v AJ