論文の概要: SoccerMap: A Deep Learning Architecture for Visually-Interpretable
Analysis in Soccer
- arxiv url: http://arxiv.org/abs/2010.10202v1
- Date: Tue, 20 Oct 2020 11:28:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-05 07:22:16.880214
- Title: SoccerMap: A Deep Learning Architecture for Visually-Interpretable
Analysis in Soccer
- Title（参考訳）: SoccerMap: サッカーにおける視覚的解釈可能な分析のためのディープラーニングアーキテクチャ
- Authors: Javier Fern\'andez (1 and 2), Luke Bornn (3) ((1) Polytechnic
University of Catalonia, (2) FC Barcelona, (3) Simon Fraser University)
- Abstract要約: サッカーにおける潜在的なパスの完全な確率曲面を推定できる完全な畳み込みニューラルネットワークアーキテクチャを提案する。
本研究では,パス成功確率の推定において,ネットワークの性能が著しく向上することを示す。
本稿では,プレイヤーレベルでのパスリスクの評価を含む,実践的な応用について述べる。
- 参考スコア（独自算出の注目度）: 1.1377027568901037
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a fully convolutional neural network architecture that is capable
of estimating full probability surfaces of potential passes in soccer, derived
from high-frequency spatiotemporal data. The network receives layers of
low-level inputs and learns a feature hierarchy that produces predictions at
different sampling levels, capturing both coarse and fine spatial details. By
merging these predictions, we can produce visually-rich probability surfaces
for any game situation that allows coaches to develop a fine-grained analysis
of players' positioning and decision-making, an as-yet little-explored area in
sports. We show the network can perform remarkably well in the estimation of
pass success probability, and present how it can be adapted easily to approach
two other challenging problems: the estimation of pass-selection likelihood and
the prediction of the expected value of a pass. Our approach provides a novel
solution for learning a full prediction surface when there is only a
single-pixel correspondence between ground-truth outcomes and the predicted
probability map. The flexibility of this architecture allows its adaptation to
a great variety of practical problems in soccer. We also present a set of
practical applications, including the evaluation of passing risk at a player
level, the identification of the best potential passing options, and the
differentiation of passing tendencies between teams.
- Abstract（参考訳）: 本研究では,高周波時空間データからサッカーにおける潜在パスの完全な確率面を推定できる完全畳み込みニューラルネットワークアーキテクチャを提案する。
ネットワークは低レベルの入力の層を受け取り、異なるサンプリングレベルで予測を生成する特徴階層を学習し、粗さと細かな空間の詳細の両方をキャプチャする。
これらの予測を組み合わせることで、コーチが選手の位置や意思決定のきめ細かい分析を行えるような、どんなゲーム状況でも視覚的にリッチな確率曲面を作成できる。
本稿では,パス成功確率の推定においてネットワークの性能が著しく向上することを示すとともに,パス選択確率の推定と,パスの期待値の予測という2つの課題に容易に対応可能であることを示す。
提案手法は,1画素の接地結果と予測確率マップとの対応が存在しない場合に,完全な予測曲面を学習するための新しい解を提供する。
このアーキテクチャの柔軟性は、サッカーにおける様々な実践的な問題への適応を可能にする。
また,プレーヤレベルでのパスリスクの評価,最善のパスオプションの同定,チーム間のパス傾向の差異など,実用的な応用例も提示する。
関連論文リスト
- Uncertainty-driven Exploration Strategies for Online Grasp Learning [43.88491290121489]
本稿では,ロボットビンピッキングのための把握予測のオンライン学習のための不確実性に基づくアプローチを提案する。
具体的には、効果的な探索戦略を持つオンライン学習アルゴリズムは、目に見えない環境設定への適応性を著しく向上させることができる。
論文 参考訳（メタデータ） (2023-09-21T13:06:03Z) - Semantic Strengthening of Neuro-Symbolic Learning [85.6195120593625]
ニューロシンボリックアプローチは一般に確率論的目的のファジィ近似を利用する。
トラクタブル回路において,これを効率的に計算する方法を示す。
我々は,Warcraftにおける最小コストパスの予測,最小コスト完全マッチングの予測,スドクパズルの解法という3つの課題に対して,アプローチを検証した。
論文 参考訳（メタデータ） (2023-02-28T00:04:22Z) - A Closer Look at Few-shot Classification Again [68.44963578735877]
トレーニングフェーズと適応フェーズで構成されている。
トレーニングアルゴリズムと適応アルゴリズムが完全に絡み合っていることを実証的に証明する。
各フェーズのメタアナリシスは、いくつかの興味深い洞察を示し、いくつかのショット分類の重要な側面をよりよく理解するのに役立ちます。
論文 参考訳（メタデータ） (2023-01-28T16:42:05Z) - Continual Predictive Learning from Videos [100.27176974654559]
本稿では,ビデオ予測の文脈において,新たな連続学習問題について検討する。
本稿では,連続予測学習(Continuousal predictive Learning, CPL)アプローチを提案する。
我々はRoboNetとKTHに基づく2つの新しいベンチマークを構築し、異なるタスクが異なる物理ロボット環境や人間の行動に対応するようにした。
論文 参考訳（メタデータ） (2022-04-12T08:32:26Z) - PDC-Net+: Enhanced Probabilistic Dense Correspondence Network [161.76275845530964]
高度確率密度対応ネットワーク(PDC-Net+)は、精度の高い高密度対応を推定できる。
我々は、堅牢で一般化可能な不確実性予測に適したアーキテクチャと強化されたトレーニング戦略を開発する。
提案手法は,複数の挑戦的幾何マッチングと光学的フローデータセットに対して,最先端の結果を得る。
論文 参考訳（メタデータ） (2021-09-28T17:56:41Z) - Topological Uncertainty: Monitoring trained neural networks through
persistence of activation graphs [0.9786690381850356]
産業アプリケーションでは、オープンワールド設定から得られるデータは、ネットワークがトレーニングされたベンチマークデータセットと大きく異なる可能性がある。
活性化グラフのトポロジ的特性に基づいて訓練されたニューラルネットワークを監視する手法を開発している。
論文 参考訳（メタデータ） (2021-05-07T14:16:03Z) - Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。
彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。
本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
論文 参考訳（メタデータ） (2021-02-22T07:02:37Z) - A framework for the fine-grained evaluation of the instantaneous
expected value of soccer possessions [1.0224234677367114]
本研究では,サッカーの実践者に対して,観察行動と潜在的行動の両方の影響を評価するための総合的な分析フレームワークを開発する。
サッカーにおける未解明問題の集合を含む,EVVのすべてのコンポーネントのモデルが得られることを示す。
論文 参考訳（メタデータ） (2020-11-18T17:51:22Z) - Depth Uncertainty in Neural Networks [2.6763498831034043]
ディープラーニングにおける不確実性を推定する既存の方法は、複数の前方パスを必要とする傾向がある。
フィードフォワードネットワークのシーケンシャルな構造を利用することで、トレーニング目標を評価し、単一のフォワードパスで予測を行うことができる。
実世界の回帰と画像分類タスクに対する我々のアプローチを検証する。
論文 参考訳（メタデータ） (2020-06-15T14:33:40Z) - Using Player's Body-Orientation to Model Pass Feasibility in Soccer [7.205450793637325]
本稿では,サッカーの試合のモノラルな映像から,任意の時間に最も実現可能なパスを推定する計算モデルを提案する。
この方法は、攻撃的な選手の方向(および位置)と相手の空間構成を利用して、同じチームの選手内でのパスイベントの実現可能性を計算する。
その結果、配向を実現可能性尺度として含めることで、ロバストな計算モデルを構築することができ、0.7 Top-3の精度に達することが示されている。
論文 参考訳（メタデータ） (2020-04-15T17:09:51Z) - Hold me tight! Influence of discriminative features on deep network
boundaries [63.627760598441796]
本稿では,データセットの特徴と,サンプルから決定境界までの距離を関連付ける新しい視点を提案する。
これにより、トレーニングサンプルの位置を慎重に調整し、大規模ビジョンデータセットでトレーニングされたCNNの境界における誘発された変化を測定することができる。
論文 参考訳（メタデータ） (2020-02-15T09:29:36Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。