Une approche neuronale pour la classification d actions de sport par la prise en compte du contenu visuel et du mouvement dominant

Transcription

1 Une approche neuronale pour la classfcaton d actons de sport par la prse en compte du contenu vsuel et du mouvement domnant Moez Baccouche 1,2 Franck Mamalet 1 Chrstan Wolf 2 Chrstophe Garca 1 Atlla Baskurt 2 1 Orange Labs - France Télécom R&D Cesson-Sévgné, France. {prénom.nom}@orange-ftgroup.com 2 Laboratore d InfoRmatque en Image et Systèmes d nformaton Unversté de Lyon, CNRS, INSA-Lyon, F-69621, France. {prénom.nom}@nsa-lyon.fr Résumé Dans cet artcle, nous proposons une approche de classfcaton automatque de séquences vdéo d actons de sport. Pour cela, nous extrayons de chaque acton des caractérstques du contenu vsuel, en utlsant deux approches, l une par sac de mots, et l autre par le mouvement domnant de la scène à chaque nstant. La classfcaton de l évoluton temporelle de ces caractérstques extrates est gérée dynamquement par un modèle neuronal, basé sur les réseaux de neurones récurrents à large «mémore court-terme» (LSTM). Les expérmentatons fates sur la base «MICC- Soccer-Actons-4» montrent que l approche neuronale de classfcaton permet d obtenr des résultats supéreurs à l état de l art (76 % de bonne classfcaton), et que la combnason des caractérstques (nformaton vsuelle et mouvement domnant) permet un taux de bonne classfcaton de 92 %. Mots clefs Classfcaton d actons de sport, réseaux de neurones récurrents, Long Short-Term Memory, sacs de mots vsuels, mouvement domnant. 1 Introducton Les volumes des contenus audo-vsuels ms à dsposton ne cessent de croître. Navguer smplement et rechercher précsément ces contenus au sen de grandes collectons devent un problème de premère mportance. L un des enjeux majeurs des systèmes d nformaton s mpose donc comme étant l ndexaton et la recherche des vdéos par analyse automatque de leur contenu. Dans ce contexte, l est mportant de pouvor extrare de manère automatque des nformatons de haut nveau pouvant décrre le contenu sémantque d une vdéo. Ans, de plus en plus de travaux ntrodusent la noton d «évènement» ou d «acton» dans des applcatons dverses (vdéo-survellance, structuraton des contenus télévsuels...). En partculer, les vdéos de sport représentent un type de contenu spécalement ntéressant à trater de part les enjeux commercaux qu y sont lés. Pluseurs travaux se sont ans ntéressés à la classfcaton automatque de séquences vdéo de sport, avec pour objectf la reconnassance d évènements de nveau sémantque plus ou mons élevé. On peut en effet dstnguer deux catégores de travaux. La premère s ntéresse à des évènements de nveau sémantque assez fable, lon de la noton d acton. On peut par exemple cter les travaux de Ekn et al. [1] dans lesquels deux types d évènements («phase de jeu» et «pause») sont dentfés à partr de leurs durées et de leurs angles de prse de vue. Assfalg et al. [2] se basent sur l extracton de prmtves bas-nveau pour classer les plans de dx sports dfférents en tros catégores. Ben que les résultats relatfs à ces approches soent assez satsfasants, les évènements dentfés restent néanmons sémantquement fables. Une deuxème catégore de travaux [3, 4, 5] s ntéresse à des actons complexes mas restent spécfques vu qu elles font ntervenr des nformatons relatves au sport étudé (modèle du terran, règles du jeu...). Récemment, Ballan et al. [6] ont proposé une approche qu permet de classer des actons de haut nveau sémantque sans fare ntervenr d nformatons a pror. Le prncpe est de se baser unquement sur des prmtves décrvant l aspect vsuel de la séquence pour modélser les actons et d entraner un classfeur à reconnatre ces prmtves. La méthode a été testée sur la base «MICC-Soccer-Actons- 4» [6] contenant quatre classes d actons de football dfférentes : Shot-on-goal, placed-kck, throw-n et goal-kck (cf. fgure 4). Les taux de classfcaton obtenus sont de 52, 75 % avec un classfeur K-NN et de 73, 25 % avec un classfeur SVM en se basant sur des prmtves vsuelles. Néanmons, cette méthode se base sur une représentaton smplste des actons vu qu elle ne fat ntervenr aucune noton de mouvement. Dans cet artcle, nous proposons une nouvelle méthode de classfcaton d actons de sport. Dans la secton suvante,

2 Fgure 1 Schéma synoptque de la méthode proposée. nous présentons l dée générale de la méthode proposée. Nous décrvons ensute dans la secton 3 les prmtves vsuelles ntrodutes par Ballan et al. [6], et proposons un ensemble de caractérstques décrvant le mouvement global à chaque nstant de la vdéo, ans que la fuson des deux types de caractérstques. Dans la secton 4, nous présentons une méthode de classfcaton, basée sur les réseaux de neurones récurrents. Enfn, nous présentons les résultats expérmentaux sur la base «MICC-Soccer-Actons-4» dans la secton 5. 2 Prncpe général de la méthode proposée Le schéma général de la méthode proposée est présenté dans la fgure 1. L dée est de classer des séquences d actons de sport ssues d une segmentaton en plans. Nous calculons, pour chaque mage de chaque séquence, un descrpteur relatf à une prmtve partculère (cf. secton 3). Chaque séquence est alors représentée par une successon de descrpteurs (un vecteur par mage). Le nombre de ces descrpteurs peut-être varable selon la longueur de la séquence. La classfcaton est réalsée ensute en consdérant de manère dynamque l évoluton temporelle des prmtves extrates. Concrètement, le classfeur devra consdérer un à un les descrpteurs et prendre une décson fnale calculée à partr de pluseurs décsons ndvduelles accumulées tout au long de la séquence. 3 Extracton de prmtves pour la représentaton des actons de sport Afn de décrre le contenu des séquences vdéos, en prenant en compte auss ben leur aspect vsuel que le mouvement, nous avons opté pour une approche par sacs de mots, pus nous avons ntrodut la noton de mouvement domnant. 3.1 Représentaton du contenu vsuel : une approche par sacs de mots Les sacs de mots sont des modèles largement utlsés en tratement d mages en général, et en classfcaton d objets en partculer. Pluseurs travaux ont essayé d étendre ces modèles au cas de la vdéo. Par exemple dans [7], les ponts d ntérêts 2D sont remplacés par des ponts d ntérêts spato-temporels, et un modèle par sac de mots spatotemporels est utlsé pour la classfcaton d actons humanes. Même s ce type d approches donne de bons résultats pour les actons smples (acton d une seule personne), la généralsaton aux cas des actons de sport, où les mouvements locaux sont en général trop complexes et non représentatfs de la scène, ne donne pas de résultats. Dans cet artcle, nous avons reprs le modèle de Ballan et al. [6] dans lequel une vdéo est représentée par une séquence de sacs de mots vsuels (un hstogramme de mots SIFT par mage). Le dctonnare de mots est généré en applquant une classfcaton par k-moyennes sur un large nombre d mages extrates de la base. Le descrpteur pour chaque mage a donc la talle du dctonnare et chaque valeur représente la fréquence d occurrence du mot du dctonnare dans l mage. Cette représentaton permet à la fos de prendre en compte le contenu vsuel de la vdéo, mas auss de modélser les transtons entre les mages à travers l apparton ou la dsparton des mots. Cette approche va auss par la sute nous servr de base pour évaluer, sur la base MICC-Soccer-Actons-4 et dans les mêmes condtons que [6], les performances de la classfcaton neuronale (cf. sous-secton 5.2). 3.2 Estmaton du mouvement domnant par apparement de ponts SIFT Nous proposons d ntrodure également un autre type de prmtve décrvant le mouvement domnant de la scène. Celu-c est défn comme étant le mouvement représenté par le plus grand nombre d éléments de cette scène. Typquement, pour une acton de sport avec une vue globale du terran (ce qu est le cas pour les actons de la base MICC-Soccer-Actons-4), le mouvement domnant se confond avec celu de la caméra, et celu-c est très caractérstque du type d actons. L dée est donc d estmer ce mouvement pus de l exploter pour la classfcaton. Nous avons fat l hypothèse d un mouvement affne de la caméra, ce qu est généralement vérfé. Le prncpe est donc d estmer la transformaton affne T qu permet de passer d une mage I t d une vdéo à l mage I t+1. Pour ce fare, nous effectuons un apparement des ponts SIFT entre deux mages successves de la vdéo. Nous avons recours à l algorthme kd-tree pour une recherche rapde du vosn le plus proche de chaque pont. L algorthme

3 RANSAC [8] est ensute applqué pour séparer le mouvement domnant (celu de la caméra) des mouvements locaux (ceux des joueurs par exemple). Enfn les N pares de ponts qu ont été consdérées comme nlers (ponts conformes) sont utlsées pour estmer les paramètres de la transformaton T. S l on pose : T = [a 1 a 2 a 3 a 4 t 1 t 2 ] T où les a sont les coeffcents relatfs à la rotaton et au facteur d échelle ( et les t ceux ) relatfs à la translaton, et s l on note par x (t), y (t) pour {1,..., N} les N nlers relatfs à ( ) ( ) l mage I t, la relaton entre x (t), y (t) et x (t+1), y (t+1) sera de la forme : [ ] x (t+1) [ ] [ ] a1 a y (t+1) = 2 x (t) [ ] t1 a 3 a 4 y (t) + t 2 En ré-écrvant l équaton précédente pour les N nlers, on peut se ramener à un système lnéare d nconnue T et de la forme : avec : et : A = x (t) A T = B y (t) y (t) x (t) B = x (t+1) y (t+1) La résoluton de ce système se fat par mondres carrés en décomposant la matrce A en valeurs sngulères, pus en calculant sa matrce pseudo-nverse. La fgure 2 montre un exemple d apparement de ponts entre deux mages ssues de la même vdéo, ans que la compensaton du mouvement affne estmé. Pour évter que les logos soent prs en consdératon dans l estmaton, nous effectuons un pré-tratement sur toutes les vdéos pour les détecter et les flouter. Pour ce fare, nous avons recours à une combnason de deux approches. La premère permet de détecter, à partr de l analyse des statstques de pluseurs mages sélectonnées aléatorement, les pxels mmobles. La deuxème se base sur l approche ntrodute dans [9] et qu permet de détecter les textes horzontaux. Une fos les transformatons estmées, les sx coeffcents sont normalsés, colonne par colonne, entre 1 et 1. Pour cela, pour chaque colonne, nous calculons la moyenne m et l écart type σ sur toute la base et nous normalsons et tronquons les valeurs en fxant les extremums à m ± 2σ afn de prendre en compte 98 % de la masse, en fasant l hypothèse d une dstrbuton Gaussenne. Les descrpteurs pour Fgure 2 Exemple d estmaton du mouvement affne entre deux mages : (a,b) - Inlers apparés entre les deux mages (c) - Compensaton du mouvement sur la premère mage. chaque mage auront donc une talle de 6 valeurs. Enfn nous proposons de fusonner les deux prmtves précédemment décrte pour almenter le clasfeur avec des vecteurs de talle 36 (qu correspond à la concaténaton entre les 6 coeffcents précédents et le nombre de mots du dctonnare). 4 Réseaux de neurones récurrents à base de LSTM pour la classfcaton de séquences Nous allons nous baser sur les descrpteurs extrats pour chaque mage représentant les prmtves décrtes dans la secton précédente pour classer les actons de la base MICC-Soccer-Actons-4. Le chox de la méthode de classfcaton est alors prmordal. Dans [6], deux schémas de classfcaton ont été testés, l un basé sur les K-NN et l autre sur les SVM. Dans cet artcle, nous avons opté pour une approche neuronale récurrente qu permet, comme présenté dans la secton 2, d analyser l évoluton temporelle de ces prmtves. Les réseaux de neurones récurrents (RNN : Recurrent Neural Networks) sont des réseaux possédant des connexons récurrentes qu permettent de prendre en compte à un nstant t un certan nombre d états passés. On parle alors de «mémore à court-terme». De ce fat, les RNN sont partculèrement adaptés aux applcatons fasant ntervenr le contexte, et plus partculèrement au tratement des séquences. Néanmons, pour les applcatons fasant ntervenr de longs écarts temporels (typquement la classfcaton de séquences vdéos), cette «mémore à court-terme» n est pas suffsante. En effet, les RNN «classques» ne sont capables

4 de mémorser que le passé dt «proche», et commencent à «oubler» au bout d une cnquantane d tératons envron. Ce phénomène a été ms en évdence par Hochreter et al. dans [10]. Les auteurs ont étudé pluseurs algorthmes d apprentssage (BPTT, RTRL...) pour les RNN et montrent que l erreur rétro-propagée lée à une entrée du réseau à l nstant t décrot de manère exponentelle après un certan nombre d tératons. Ce phénomène est partculèrement problématque pour la classfcaton de vdéos (contrarement à la classfcaton de chaque mage), pusque le réseau dot attendre la fn de la séquence avant de lu attrbuer un label, et par conséquent, s la «mémore à court-terme» est néglgeable devant la talle de la séquence, la mse-à-jour des pods pendant l apprentssage par rétro-propagaton ne prendra en compte que les premers nstants. Pour reméder à ce problème, Hochreter et al. [10] ont ms au pont des neurones partculers, à large mémore court-terme : les LSTM (Long Short-Term Memory). Intutvement, un LSTM peut être vu comme un neurone ayant, en plus des connexons externes, une connexon auto-récurrente de coeffcent constant égal à 1. Cec permet de sauvegarder d une tératon à l autre les états successfs du neurone. Des portes multplcatves au nveau de l entrée (nput gate) et de la sorte (output gate) permettent de protéger respectvement l état actuel de la mémore et celu du reste du réseau. Dans cet artcle, nous allons nous appuyer sur l archtecture proposée par Gers et al. dans [11] (cf. fgure 3), dans laquelle une nouvelle porte, dte «forget gate», permet de réntalser l état de la mémore au cours de la séquence. Fgure 3 Exemple d un neurone LSTM : archtecture proposée dans [11]. Les LSTM et ont été testés sur dfférentes applcatons (apprentssage de CSL, mprovsaton automatque de musque, classfcaton de phonèmes, reconnassance d écrture manuscrte...) avec à chaque fos des résultats au mons auss bons que ceux de l état de l art. Ils ont auss été utlsés avec succès dans des applcatons de structuraton de vdéos de tenns [12], pour modélser l évoluton temporelle des transtons entre les plans de la vdéo sans en analyser le contenu. Dans cet artcle, nous proposons d utlser les LSTM pour analyser drectement le contenu des vdéos. 5 Résultats expérmentaux 5.1 Données utlsées Afn d évaluer notre méthode de classfcaton, nous avons effectué pluseurs tests sur la base publque 1 MICC- Soccer-Actons-4 [6]. Cette base comprend 100 séquences vdéo au format MPEG-2 plene résoluton PAL ( pxels, 25 mages/seconde). La base content quatre actons : Shot-on-goal, placed-kck, throw-n et goal-kck (cf. fgure 4). Fgure 4 Les quatre actons consttuant la base MICC- Soccer-Actons-4 [6] : Shot-on-goal, placed-kck, throw-n et goal-kck. Les séquences ont été générées par une détecton de plans à partr de 5 vdéos de matchs, fasant ntervenr 7 équpes et 5 stades dfférents, ans que des condtons d éclarage assez varables (notamment 4 matchs se jouant sous un éclarage naturel à dfférentes heures de la journée, et le derner sous un éclarage artfcel). Chacune des quatre classes est représentée par 25 séquences de longueurs varables, allant de 100 mages à 2500 mages. Même s toutes les séquences représentent des vues globales du terran, la varablté ntra-classe reste très mportante pusque les actons se déroulent suvant pluseurs scénaros dfférents. Nous présentons dans un premer temps l évaluaton de la classfcaton neuronale en comparant, dans les mêmes condtons, les résultats avec ceux présentés dans [6]. Pus nous étuderons l apport du mouvement domnant. Enfn nous évaluerons notre proposton de fusonner les deux types de prmtves. Toutes les expérmentatons ont été effectuées par une valdaton crosée avec un parttonnement de la base en 3 partes (3-fold cross valdaton), selon la répartton décrte dans le tableau 1, de manère à ce que toutes les séquences soent testées une seule fos. Dans 1. Dsponble sur :

5 ce qu sut, les résultats présentés sont calculés en prenant compte les tros confguratons. Apprentssage Test Confg (17/classe) 32 (8/classe) Confg (17/classe) 32 (8/classe) Confg (16/classe) 36 (9/classe) Tableau 1 Répartton du nombre de séquences entre «apprentssage» et «test» pour la valdaton crosée. 5.2 Résultats Evaluaton de la classfcaton neuronale basée sur les LSTM. Afn d évaluer la classfcaton neuronale, nous nous sommes placés dans les mêmes condtons que dans [6] pour pouvor comparer les résultats. Ans, nous avons généré un dctonnare de 30 mots vsuels à partr d une parte de la base (5 mages extrates aléatorement de chacune des 100 vdéos) avec une classfcaton k-moyennes. Nous avons vérfé que l augmentaton de la talle du dctonnare n amélorat pas les résultats, mas augmentat consdérablement la complexté, ce qu est en conformté avec les observatons présentées dans [6]. Le dctonnare est ensute utlsé pour générer des hstogrammes de mots vsuels comme décrt dans la sous-secton 3.1. Pour le réseau, nous avons utlsé un RNN avec une couche en entrée de talle 30 (une entrée par mot vsuel à chaque ntervalle de temps de la stmulaton du neurone), une couche de sorte de talle 4 (une sorte par classe) et une couche cachée comportant des neurones LSTM undrectonnels totalement nter-connectés et connectés au reste du réseau. Nous avons noté qu une augmentaton mportante du nombre de neurones LSTM condusat à un surapprentssage du réseau (et augmentat consdérablement la complexté). De même, un réseau de talle rédute condut à une dvergence de l apprentssage. Nos expérmentatons on montré que 150 LSTM pour la couche cachée est un bon comproms. Ans le nombre de pods à optmser est de Enfn, pour la couche de sorte, elle correspond à des fonctons d actvatons de type softmax. Le résultat de la classfcaton est reporté sur le tableau 2. Pour comparason, nous présentons auss les résultats de Ballan et al. [6], qu correspondent respectvement à des classfcatons par K-plus proches vosns (K-NN) et machne à vecteur de support (SVM), les deux combnés avec une dstance d édton pour comparer des vecteurs de talles dfférentes. Le tableau 2 montre que l approche neuronale est largement plus performante que les méthodes de type K-NN, et est comparable aux méthodes de type SVM. Même s le résultat est supéreur à celu obtenu par les méthodes basées sur les SVM, la dfférence n est pas assez mportante pour pouvor généralser. Néanmons, les résultats permettent de valder cette approche. Etude de l apport du mouvement domnant. Nous allons évaluer l apport du mouvement domnant pour la clas- Taux de classfcaton k-nn [6] 52,75 % SVM [6] 73,25 % Méthode proposée 76 % Tableau 2 Evaluaton de la classfcaton neuronale RNN- LSTM par rapport aux autres méthodes de classfcaton utlsées dans [6]. sfcaton, dans un premer temps seul, pus en étudant la possblté d une combnason entre les deux nformatons. Pour ce fare, nous allons utlser le même réseau que pour les tests précédents, en modfant la talle de la couche d entrée. Nous avons utlsé la répartton apprentssage / test décrte dans le tableau 1, en rajoutant des versons symétrques par rapport à la vertcale pour les vdéos de la base d apprentssage. Cec permet au réseau d apprendre pour chaque séquence, deux drectons du mouvement. La fgure 5-(b) montre la matrce de confuson relatve à la classfcaton basée sur le mouvement domnant. Fgure 5 Matrces de confuson : (a) - Classfcaton RNN-LSTM basée sur les sacs de mots vsuels (b) - Classfcaton RNN-LSTM basée sur le mouvement domnant. Les résultats de la classfcaton sont comparables à ceux obtenus par les approches basées sur les sacs de mots (taux de classfcaton de 77 %) et montrent que le mouvement de la caméra content beaucoup d nformatons dscrmnantes. De plus, la comparason avec la fgure 5-(a) montre une complémentarté entre l nformaton vsuelle et le mouvement domnant. En effet, les classes throw-n et shot-ongoal sont très adaptées à l approche basée sur le mouvement de la caméra, vu que ce derner est très caractérstque de l une et de l autre (mouvement quas nexstant pour la premère, et très caractérstque pour la deuxème, notamment à cause des zooms sur la cage de but). En revanche, les classes goal-kck et placed-kck sont caractérsées par des scénaros très varables (en terme de mouvement de la caméra) mas sont partculèrement adaptées à l approche par le contenu vsuel vu que dans les deux cas, l ordre dans lequel apparassent / dsparassent les mots est très caractérstque.

6 Nous proposons donc de concaténer les deux types de caractérstques en entrée d un réseau de neurones récurrent. Nous avons reprs les expérences précédentes, dans les mêmes condtons, mas en concaténant les vecteurs d entrée qu sont mantenant de talle 36 (Sacs de mots vsuels + mouvement domnant). les résultats présentés dans la fgure 6 montrent que ce système est capable de classer correctement 92 % des séquences. Fgure 6 Matrce de confuson relatve à la classfcaton RNN-LSTM basée sur la combnason entre les sacs de mots vsuels et le mouvement domnant. 6 Concluson et dscusson Taux de classfcaton Sacs de mots vsuels + K-NN 52,75 % + Dstance d édton [6] Sacs de mots vsuels + SVM 73,25 % + Dstance d édton [6] Sacs de mots vsuels 76 % + RNN-LSTM Mouvement domnant 77 % + RNN-LSTM Sacs de mots vsuels + Mouvement domnant + 92 % RNN-LSTM Tableau 3 Récaptulatf des résultats obtenus. Dans cet artcle, nous nous sommes ntéressés à la problématque de la classfcaton des actons de sport. Pour ce fare, nous avons ms au pont une méthode de classfcaton neuronale prenant en compte auss ben l aspect vsuel que le mouvement domnant. Les résultats de nos expérmentatons sur la base «MICC-Soccer-Actons-4», résumés sur le tableau 3, permettent de conclure que la classfcaton neuronale à base de LSTM est auss performante que celle basée sur les SVM, et dépasse clarement pour cette problématque les approches de type K-NN. De plus, nous avons démontré que le mouvement de la caméra est une nformaton dscrmnante entre les classes, et permet à elle seule d avor des taux de classfcaton équvalents à ceux utlsant les sacs de mots vsuels ( 77 %). Enfn, la complémentarté entre l aspect vsuel et le mouvement de la caméra a été prouvée, consusant à un système de classfcaton «hybrde» des séquences vdéo capable d obtenr un taux de classfcaton de 92 %. Pluseurs pstes peuvent être envsagées à l ssue de ce traval. Nous prévoyons d abord de tester cette méthode sur d autres sports que le football, afn de vérfer la génércté de l approche. Une autre pste serat d applquer la méthode sur des données présentant des scénaros plus complexes, et en consdérant plus de classes. Dans ce cas, d autres nformatons de mouvement locaux pourraent être ntégrées pour dfférenter entre les actons sémantquement très proches (par exemple entre un «tr au but» et un «but»). Références [1] A. Ekn et A.M. Tekalp. Automatc soccer vdeo analyss and summarzaton, Août US Patent App. 10/632,110. [2] J. Assfalg, M. Bertn, C. Colombo, et A. Del Bmbo. Semantc annotaton of sports vdeos. IEEE MULTI- MEDIA, pages 52 60, [3] Y. Gong, TS Lm, et HC Chua. Automatc Parsng of TV Soccer Programs. Dans IEEE Internatonal Conference on Multmeda Computng and Systems, pages , [4] L.Y. Duan, M. Xu, et Q. Tan. Semantc Shot Classfcaton n Sports Vdeo. Storage and retreval for meda databases 2003 : January 2003, Santa Clara, Calforna, USA, 5021 :300, [5] E. Kjak, G. Graver, L. Osel, et P. Gros. Audovsual ntegraton for tenns broadcast structurng. Multmeda Tools and Applcatons, 30(3) : , [6] L. Ballan, M. Bertn, A. Del Bmbo, et G. Serra. Acton categorzaton n soccer vdeos usng strng kernels. Dans Proc. of IEEE CBMI. Chana, Crete, [7] P. Dollár, V. Rabaud, G. Cottrell, et S. Belonge. Behavor recognton va sparse spato-temporal features. ICCV VS-PETS, [8] M. Fschler. RANSAC : A Paradgm for Model Fttng Wth Applcatons to Image Analyss and Automated Cartography. Communcatons of the ACM, 24(6) : , [9] C. Wolf, J. Jolon, et F. Chassang. Text Localzaton, Enhancement and Bnarzaton n Multmeda Documents. Dans Proc. of ICPR, pages , [10] S. Hochreter et J. Schmdhuber. Long short-term memory. Neural Computaton, 9(8) : , [11] F.A. Gers, N.N. Schraudolph, et J. Schmdhuber. Learnng precse tmng wth LSTM recurrent networks. The Journal of Machne Learnng Research, 3 : , [12] E. Delaks. Structuraton multmodale des vdéos de tenns en utlsant des modèles segmentaux. Thèse de doctorat, Unversté de Rennes 1, 2006.