Deep learning models for the automatic analysis of volleyball plays

Collecting and analysing data is an important element in any field of human activity and research. Even in sports, collecting and analyzing statistical data is attracting a growing interest. Some exemplar use cases are: improvement of technical/tactical aspects for team coaches, definition of game strategies based on the opposite team play or evaluation of the performance of players. Other advantages are related to taking more precise and impartial judgment in referee decisions: a wrong decision can change the outcomes of important matches. Finally, it can be useful to provide better representations and graphic effects that make the game more engaging for the audience during the match. Nowadays it is possible to delegate this type of task to automatic software systems that can use cameras or even hardware sensors to collect images or data and process them. One of the most efficient methods to collect data is to process the video images of the sporting event through mixed techniques concerning machine learning applied to computer vision. As in other domains in which computer vision can be applied, the main tasks in sports are related to object detection, player tracking, and to the pose estimation of athletes. The goal of the present thesis is to apply different models of CNNs to analyze volleyball matches. Starting from video frames of a volleyball match, we reproduce a bird's eye view of the playing court where all the players are projected, reporting also for each player the type of action she/he is performing.

Modellazione della morfologia della spiaggia di Cesenatico Ponente con il codice di calcolo X-Beach

In questa tesi è stata analizzata attraverso una modellazione numerica tramite Xbeach la batimetria delle coste di Cesenatico Ponente e la sua modifica dopo eventi meteomarini del clima tipico della durata di 12 ore. Verrà analizzata in primis l'area di studio attraverso la descrizione delle caratteristiche e delle opere presenti, si delineeranno quali funzioni vengono adottate nel modello e seguiranno poi le spiegazioni di tutti i passi svolti e quali parametri sono stati utilizzati per lanciare una simulazione. Infine, verranno mostrati e commentati i risultati più significativi.

99% - Dall’1% dell'idea al 99% della fase Pre-Seed: ciò che serve sapere (e forse non tutti dicono) su questo percorso, visto dalla prospettiva di un Service Designer

Oggigiorno, quando una persona “ha un’idea” e vuole concretizzarla si rivolge agli incubatori: la diffusa metodologia Lean Startup è determinante nel far comprendere agli aspiranti founders la portata della propria “idea” abbattendo i rischi. Tuttavia, ci sono due problemi: accedere ai percorsi di incubazione non è scontato e, una volta concluso il percorso, si hanno diverse conoscenze per passare dalla validazione alla fase Seed, ma non sufficienti per un’efficace Execution. Partendo dalla personale esperienza del progetto Climby, si cercherà di dare un’overview sugli aspetti più importanti da considerare, evidenziando ciò che si potrebbe sottovalutare. Il fine è dunque supportare chi “ha un’idea” nell’intraprendere il percorso di incubazione in modo più consapevole e illustrare i limiti dei percorsi stessi, suggerendo approfondimenti di immediata applicazione ed utilità nelle diverse fasi citate, come integrazioni tratte dal Service Design. Pertanto, sarà posta particolare attenzione a ciò che è stato appreso in prima persona, considerando errori e aspetti positivi del percorso di un’“idea” nata nel 2019 e trasformatasi drasticamente durante l’incubazione, fino a ciò che accade dopo il Pitch Day. In tal modo, si intende anche esplicitare alcuni aspetti importanti, talvolta trascurati, ma rilevanti per le scelte da compiere prima ancora di iniziare un percorso. Il fine, quindi, è quello di produrre un contenuto complementare agli autorevoli scritti che trattano di Lean Startup, invece di proporne trattazione alternativa. Infine, conducendo queste riflessioni, si proporrà anche un confronto più specifico tra le metodologie e gli strumenti di Lean Startup e Service Design e - anticipando le conclusioni - suggerendo che sarebbe interessante approfondire l’integrazione di questi due ambiti, di cui emerge ancora una forte mancanza di reciproca conoscenza e che, invece, potrebbero rappresentare reciprocamente una risorsa se considerati senza visioni di parte.