The Role of Convolutional Neural Networks in Cricket Performance Analysis

Cover Page

Cite item

Full Text

Abstract

Significant insights have arisen from an extensive review of the current literature, highlighting the importance of Convolutional Neural Networks (CNNs) in cricket performance analysis and mapping new directions for future research. Despite difficulties such as limited availability of data, processing difficulty, and interpretability issues, incorporating CNNs into cricket statistics is a potential effort made possible by advances in machine learning and deep learning methods. Instructors, players, and data analysts can use CNNs to better comprehend the game, extract meaningful information from video data, and improve decision-making processes. Key findings show that CNNs are effective tools for a variety of cricket analysis tasks involving batting, bowling, fielding, and player tracking. The use of CNNs represents an advancement in cricket analysis, promising to open up new aspects of performance and usher in a data-driven era of cricket genius. Augmenting data, the use of parallelization, explainable AI, and concerns about ethics, provide opportunities to address current challenges can be identified as future advances in sports analysis with CNNs. Embracing technological advancements and mapping out future research directions are critical steps towards realizing this revolutionary potential.

About the authors

Naduni K. Ranasinghe

RUDN University

Email: 1032225220@rudn.ru
ORCID iD: 0009-0008-1193-4681

Master student of the Department of Mechanics and Control Processes, Academy of Engineering

Moscow, Russia

Larisa V. Kruglova

RUDN University

Author for correspondence.
Email: kruglova-lv@rudn.ru
ORCID iD: 0000-0002-8824-1241
SPIN-code: 2920-9463

Candidate of Technical Sciences, Associate Professor of the Department of Mechanics and Control Processes, Academy of Engineering

Moscow, Russia

References

  1. Awan MJ, Gilani SAH, Ramzan H, et al. Cricket Match Analytics Using the Big Data Approach. Electronics (Basel). 2021;10(19). https://doi.org/10.3390/ELECTRONICS10192350
  2. Kapadia K, Abdel-Jaber H, Thabtah F, Hadi W. Sport analytics for cricket game results using machine learning: An experimental study. Applied Computing and Informatics. 2022;18(3-4):256-266. https://doi.org/10.1016/J.ACI.2019.11.006/FULL/PDF
  3. Sharma R, Bashir S, Tiwary VN, Kumar S. Exploring the Potential of Convolution Neural Network Based Image Classification. 2023 1st DMIHER International Conference on Artificial Intelligence in Education and Industry 40 (IDICAIEI). 2023. https://doi.org/ 10.1109/IDICAIEI58380.2023.10406528
  4. Jiang S, Zavala V. Convolutional Neural Nets: Foundations, Computations, and New Applications. arXiv.org. 2021. https://doi.org/10.48550/arXiv.2101.04869
  5. Athiwaratkun B, Kang K. Feature Representation in Convolutional Neural Networks. 2015. https://doi.org/10.48550/arXiv.1507.02313
  6. Alaka S, Sreekumar R, Shalu H. Efficient Feature Representations for Cricket Data Analysis using Deep Learning based Multi-Modal Fusion Model. arXiv.org. 2021.
  7. Al Islam MN, Hassan T Bin, Khan SK. A CNNbased approach to classify cricket bowlers based on their bowling actions. 2019 IEEE International Conference on Signal Processing, Information, Communication & Systems. 2019:130-134. https://doi.org/10.1109/SPICSCON48833.2019.9065090
  8. Kamath U, Liu JC, Whitaker J. Convolutional Neural Networks. Deep Learning for NLP and Speech Recognition. 2019:263-314. https://doi.org/10.1007/9783-030-14596-5_6
  9. Chityala R, Pudipeddi S. Convolutional Neural Network. Programming with TensorFlow. 2020:265-273. https://doi.org/10.1201/9780429243370-12
  10. Defferrard M, Bresson X, Vandergheynst P. Convolutional Neural Networks on Graphs with Fast Localized Spectral Filtering. Neural Information Processing Systems. 2016.
  11. Liu Y, Shao HJ, Bai B. A Novel Convolutional Neural Network Architecture with a Continuous Symmetry. CAAI International Conference on Artificial Intelligence. 2023. https://doi.org/10.48550/ARXIV.2308.01621
  12. Szegedy C, Liu W, Jia Y, et al. Going deeper with convolutions. 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Boston, MA, USA, 2015; p. 1-9. https://doi.org/10.1109/CVPR.2015.7298594
  13. Huang X. Convolutional Neural Networks. In: Convolution. arXiv.org. 2018.
  14. Gama F, Marques AG, Leus G, Ribeiro A. Convolutional Neural Network Architectures for Signals Supported on Graphs. IEEE Transactions on Signal Processing. 2018;67(4):1034-1049. https://doi.org/10.1109/TSP.2018.2887403
  15. Coleman S, Kerr D, Zhang Y. Image Sensing and Processing with Convolutional Neural Networks. Italian National Conference on Sensors. 2022;22(10). https://doi.org/10.3390/S22103612
  16. Karmaker D, Chowdhury AZME, Miah MSU, Imran MA, Rahman MH. Cricket shot classification using motion vector. 2015 Second International Conference on Computing Technology and Information Management (ICCTIM). 2015:125-129. https://doi.org/10.1109/ICCTIM.2015.7224605
  17. Hidalgo DP. Convolutional neural networks for image processing. Universitat autònoma DE Barcelona (UAB); 2018. p. 1-7.
  18. Chai J, Zeng H, Li A, Ngai EWT. Deep learning in computer vision: A critical review of emerging techniques and application scenarios. Machine Learning with Applications. 2021;6:100134. https://doi.org/10.1016/J.MLWA.2021.100134
  19. Foysal MFA, Islam MS, Karim A, Neehal N. Shot-Net: A Convolutional Neural Network for Classifying Different Cricket Shots. International Conference on Recent Trends in Image Processing and Pattern Recognition. 2018;1035:111-120. https://doi.org/10.1007/978-981-13-9181-1_10
  20. Ramesh M, Mahesh K. A Performance Analysis of Pre-trained Neural Network and Design of CNN for Sports Video Classification. International Conference on Cryptography, Security and Privacy. 2020:213-216. https://doi.org/10.1109/ICCSP48568.2020.9182113
  21. Radhakrishnan G, Parasuraman T, Harigaran D, Ramakrishnan R, Krishnakumar R, Ramesh KA. Machine Learning Techniques for Analyzing Athletic Performance in Sports using GWO-CNN Model. 2022 6th International Conference on Electronics, Communication and Aerospace Technology. 2022:925-931. https://doi.org/10.1109/ICECA55336.2022.10009065
  22. Zeeshan Khan M, Hassan MA, Farooq A, Ghanni Khan MU. Deep CNN Based Data-Driven Recognition of Cricket Batting Shots. International Conference on Advanced Energy Materials. 2018:67-71. https://doi.org/10.1109/ICAEM.2018.8536277
  23. Dixit K, Balakrishnan A. Deep Learning using CNNs for Ball-by-Ball Outcome Classification in Sports. 2016.
  24. Al Islam MN, Hassan T Bin, Khan SK. A CNNbased approach to classify cricket bowlers based on their bowling actions. 2019 IEEE International Conference on Signal Processing, Information, Communication & Systems (SPICSCON). 2019:130-134. https://doi.org/10.1109/SPICSCON48833.2019.9065090
  25. Lindsay C, Spratford W. Bowling action and ball flight kinematics of conventional swing bowling in pathway and high-performance bowlers. Journal sport science. 2020;38(14):1650-1659. https://doi.org/10.1080/02640414.2020.1754717
  26. Batra N, Gupta H, Yadav N, Gupta A, Yadav A. Implementation of augmented reality in cricket for ball tracking and automated decision making for no ball. International Conference on Advances in Computing, Communications and Informatics. 2014:316-321. https://doi.org/10.1109/ICACCI.2014.6968378
  27. Iyer SR, Sharda R. Prediction of athletes performance using neural networks: An application in cricket team selection. Expert Syst Appl. 2009;36(3): 5510-5522. https://doi.org/10.1016/J.ESWA.2008.06.088
  28. Manivannan S, Kausik M. Convolutional Neural Network and Feature Encoding for Predicting the Outcome of Cricket Matches. International Conference on Industrial and Information Systems. 2019:344-349. https://doi.org/10.1109/ICIIS47346.2019.9063316
  29. Vidisha, Bhatia V. A review of Machine Learning based Recommendation approaches for cricket. 2020 Sixth International Conference on Parallel, Distributed and Grid Computing (PDGC). 2020:421-427. https://doi.org/10.1109/PDGC50313.2020.9315320
  30. Gregorio PD. Interpretability of deep learning models. 2019.
  31. Magooda A, Litman D. Mitigating Data Scarceness through Data Synthesis, Augmentation and Curriculum for Abstractive Summarization. Findings of the Association for Computational Linguistics, Findings of ACL: EMNLP 2021. 2021:2043-2052. https://doi.org/10.18653/V1/2021.FINDINGS-EMNLP.175
  32. Ibrahim R, Omair Shafiq M. Explainable Convolutional Neural Networks: A Taxonomy, Review, and Future Directions. ACM Comput Surv. 2022;55(10). https://doi.org/10.1145/3563691

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».