Ice hockey is a contact sport with a high risk of brain injuries such as concussions. This is a serious health concern and there is a need of better understanding of the relationship between the kinematics of the head and concussions. The velocity and the direction of impact are factors that might affect the severity of the concussions. Therefore the understanding of concussions can be improved by extracting velocities from video analysis. In this thesis a prototype to extract 3D velocities from one single camera view was developed by using target tracking algorithms and homography. A validation of the method was done where the mean error was estimated to 21.7%. The prototype evaluated 60 cases of tackles where 30 resulted in concussions and the other 30 tackles did not result in concussions. No significant difference in the velocities between the two groups could be found. The mean velocity for the tackles that resulted in concussions were 6.55 m/s for the attacking player and 4.59 m/s for the injured player. The prototype was also compared with velocities extracted through SkillSpector from a previous bachelor thesis. There was a significant difference between the velocities compiled with SkillSpector and the developed prototype in this thesis. A validation of SkillSpector was also made, which showed that it had a mean error of 37.4%. / Ishockey är en kontaktsport med hög risk för hjärnskador, så som hjärnskakningar. Detta är ett stort hälsoproblem och det finns ett behov av större förståelse mellan huvudets kinematik och hjärnskakningar. Hastigheten och riktningen av kollisionerna är faktorer som kan påverka svårighetsgraden av hjärnskakningarna. Därför kan förståelsen av hjärnskakningar förbättras genom att extrahera hastigheter med videoanalys. I denna rapport utvecklades en prototyp för att ta fram 3D hastigheter från en kameravinkel genom att använda målsökningsalgoritmer och homografi. En validering av prototypen gjordes där medelfelet uppskattades till 21.7%. Prototypen utvärderade även 60 fall av tacklingar där 30 resulterade hjärnskakningar och där de andra 30 tacklingarna inte resulterade i hjärnskakningar. Ingen signifikant skillnad mellan de två grupperna kunde påvisas. Medelhastigheten för tacklingarna som resulterade i hjärnskakning var 6.55 m/s för den attackerande spelaren och 4.59 m/s för den skadade spelaren. Prototypen jämfördes också med hastigheter som tagits fram med SkillSpector i ett tidigare kandidatexamensarbete. Det var en signifikant skillnad mellan de hastigheter som togs fram med prototypen och de som tog fram med SkillSpector. En validering av SkillSpector gjordes också, som visade att medelfelet var 37.4%.

The TRACAB Image Tracking System is used by ChyronHego for the tracking of ball and players on football fields. It requires the calibration of the cameras around the arena which is disrupted by fences and other mesh structures that are positioned between the camera and the field as a safety measure for the public. The purpose of this work was the implementation of a cycle consistent Generative Adversarial Network (cycle-GAN) for removing the fence from the image using unpaired data. Cycle-GANs are part of the state-of-the-art of image-to-image translation and can solve this kind of problem without the need of paired images. This makes it an exciting and powerful method and, according to the latest investigations in the current work, it has never been used for this kind of application before. The model was able to strongly attenuate, and in some cases completely remove, the net structure from images. To quantify the impact of the net removal a homography matching was performed. Then, it was compared with the homography associated to the baseline of blurring the image with a gaussian filter and the original image without the use of any filter. The results showed that the identification of key-points was harder on synthetic images than on the original image with or without small Gaussian filters, but it showed a better performance against images blurred with filters with a standard deviation of 3 pixels or more. Despite the performance not being better than the baseline in all the cases it always added new key-points, and sometimes, it was able to find correct homographies where the baseline could not. Therefore, the cycle-GAN model proved to complement the baseline. / TRACAB Image Tracking System används av ChyronHego för spårning av bollen och spelaren påfotbollsplaner. Detta kräver kalibrering av kamerorna runt arenan som störs av staket och andra nätstrukturer som är placerade mellan kameran och fältet som en säkerhetsåtgärd för publiken. Detta examensabrete fokuserar påimplementeringen av en cycle-GAN för borttagning av nätet från bilden med hjälp av oparade data. Cycle-GAN är en bild-till-bild-översättning state-of-the-art teknik och det kan lösa denna typ av problem utan parade bilder. Detta gör det till en spännande och kraftfull metod och enligt den senaste forskningen har det aldrig använts för denna typ av tillämpning förut. Modellen kunde kraftigt dämpa och i vissa fall helt ta bort nätstrukturen från bilder. För att kvantifiera effekterna av avlägsnandet av nätet utfördes en homografimatchning. Därefter jämfördes det med homografin associerad med baslinjen där bilden görs suddig med ett gaussiskt filter och originalbilden utan användning av något filter. Resultaten visade att identifieringen av nyckelpunkter var svårare påsyntetiska bilder än påoriginalbilder med eller utan småGauss-filter, men det visade bättre prestanda än bilder som var suddigt med filter med en standardavvikelse på 3 pixlar eller mer. Trots att prestandan inte var bättre än baslinjen i alla fall lade versionen utan nätet alltid till nya nyckelpunkter, och ibland kunde den hitta korrekta homografier där baslinjen misslyckades. Därför, cycle-GAN-modellen kompletterar baslinjen.

This bachelor's thesis studied the difference in sentiment between different homographic or polysemous senses of individual words. It did this by training a linear regression model on a version of the British National corpus that had been disambiguated along WordNet word senses (synsets) and analysing sentiment data from SentiWordNet. Results were partial, but indicated that word senses differ somewhat in sentiment. In the process of this study, a new and improved version of the Lesk disambiguation algorithm was also developed, named Nomalised Lesk. The validation of that algorithm compared to the regular Lesk algorithm is presented here as well.