論文の概要: Exploring the Long Short-Term Dependencies to Infer Shot Influence in Badminton Matches

• arxiv url: http://arxiv.org/abs/2109.06431v1
• Date: Tue, 14 Sep 2021 04:44:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-16 03:00:38.637927
• Title: Exploring the Long Short-Term Dependencies to Infer Shot Influence in Badminton Matches
• Title（参考訳）: バドミントンマッチにおけるショット影響の長期的影響の探索
• Authors: Wei-Yao Wang, Teng-Fong Chan, Hui-Kuo Yang, Chih-Chuan Wang, Yao-Chung Fan, Wen-Chih Peng
• Abstract要約: ショットのプロセスを完全に記述するためのバドミントン言語を導入します。 本稿では,新しい短期抽出器と長期符号化器からなるディープラーニングモデルを提案する。 本モデルでは,収集結果に対するアクションシーケンスの透明性を実現するためのアテンション機構を組み込んだ。
• 参考スコア（独自算出の注目度）: 9.553207911311926
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Identifying significant shots in a rally is important for evaluating players' performance in badminton matches. While there are several studies that have quantified player performance in other sports, analyzing badminton data is remained untouched. In this paper, we introduce a badminton language to fully describe the process of the shot and propose a deep learning model composed of a novel short-term extractor and a long-term encoder for capturing a shot-by-shot sequence in a badminton rally by framing the problem as predicting a rally result. Our model incorporates an attention mechanism to enable the transparency of the action sequence to the rally result, which is essential for badminton experts to gain interpretable predictions. Experimental evaluation based on a real-world dataset demonstrates that our proposed model outperforms the strong baselines. The source code is publicly available at https://github.com/yao0510/Shot-Influence.
• Abstract（参考訳）: 集会で重要なショットを特定することは、バドミントンの試合で選手のパフォーマンスを評価するために重要である。 他のスポーツで選手のパフォーマンスを定量化した研究はいくつかあるが、バドミントンデータの分析は未解決のままである。 本稿では,バドミントン言語を導入して,ショットの過程を完全に記述し,新たな短期抽出器と,バドミントン集会におけるショット・バイ・ショット・シーケンスを抽出する長期符号化器からなるディープラーニングモデルを提案する。 本モデルでは,アグリゲーション結果に対するアクションシーケンスの透明性を実現するための注意機構が組み込まれており,バドミントンの専門家が解釈可能な予測を得ることが不可欠である。 実世界のデータセットに基づく実験評価により,提案モデルが強いベースラインより優れていることを示す。 ソースコードはhttps://github.com/yao0510/Shot-Influenceで公開されている。

関連論文リスト

• Deep learning for action spotting in association football videos [64.10841325879996]
  SoccerNetイニシアチブは毎年の課題を組織し、世界中の参加者が最先端のパフォーマンスを達成するために競う。 本稿では,スポーツにおけるアクションスポッティングの歴史を,2018年の課題の創出から,現在の研究・スポーツ産業における役割まで遡る。
  論文  参考訳（メタデータ） (2024-10-02T07:56:15Z)
• MatchTime: Towards Automatic Soccer Game Commentary Generation [52.431010585268865]
  観客の視聴体験を改善するために,自動サッカーゲーム解説モデルの構築を検討する。 まず、既存のデータセットでよく見られるビデオテキストのミスアライメントを観察し、49試合のタイムスタンプを手動でアノテートする。 第2に,既存のデータセットを自動的に修正・フィルタリングするマルチモーダル時間アライメントパイプラインを提案する。 第3に、キュレートされたデータセットに基づいて、MatchVoiceという自動コメント生成モデルをトレーニングします。
  論文  参考訳（メタデータ） (2024-06-26T17:57:25Z)
• Benchmarking Badminton Action Recognition with a New Fine-Grained Dataset [16.407837909069073]
  高品質なバドミントン映像から得られたビデオバドミントンデータセットを紹介する。 VideoBadmintonの導入は、バドミントンアクション認識だけでなく、きめ細かいアクションを認識するためのデータセットも提供する。
  論文  参考訳（メタデータ） (2024-03-19T02:52:06Z)
• ShuttleSHAP: A Turn-Based Feature Attribution Approach for Analyzing Forecasting Models in Badminton [52.21869064818728]
  バドミントンにおけるプレイヤー戦術予測のための深層学習アプローチは、部分的にはラリープレイヤの相互作用に関する効果的な推論に起因する有望なパフォーマンスを示している。 本稿では,Shapley値の変量に基づいてバドミントンにおける予測モデルを解析するためのターンベース特徴属性手法であるShuttleSHAPを提案する。
  論文  参考訳（メタデータ） (2023-12-18T05:37:51Z)
• Benchmarking Stroke Forecasting with Stroke-Level Badminton Dataset [13.502952342104644]
  2022年の上位試合から収集したバドミントンシングルスデータセットであるShuttleSet22を提供する。 ShuttleSet22での既存の作業のベンチマークには、CoachAI Badminton Challenge @ IJCAI 2023でのTrack 2: Forecasting Future Turn-Based Strokes in Badminton Ralliesという課題がある。
  論文  参考訳（メタデータ） (2023-06-27T17:57:34Z)
• Estimation of control area in badminton doubles with pose information from top and back view drone videos [11.679451300997016]
  我々はバドミントンダブルスでトップとバックビューから最初の注釈付きドローンデータセットを提示する。 チームワークのパフォーマンスを評価するために,制御領域の確率マップを推定するフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-07T11:18:39Z)
• Towards Active Learning for Action Spotting in Association Football Videos [59.84375958757395]
  フットボールビデオの分析は困難であり、微妙で多様な時間的パターンを特定する必要がある。 現在のアルゴリズムは、限られた注釈付きデータから学ぶ際に大きな課題に直面している。 次にアノテートすべき最も情報に富んだビデオサンプルを選択する能動的学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-09T11:50:41Z)
• A Graph-Based Method for Soccer Action Spotting Using Unsupervised Player Classification [75.93186954061943]
  アクションスポッティングには、ゲームのダイナミクス、イベントの複雑さ、ビデオシーケンスのバリエーションを理解することが含まれる。 本研究では, (a) 選手, 審判, ゴールキーパーをグラフのノードとして識別し, および (b) 時間的相互作用をグラフのシーケンスとしてモデル化することによって, 前者に焦点を当てる。 プレーヤ識別タスクでは,他のモダリティと組み合わせることで,平均mAPの57.83%の総合的な性能が得られる。
  論文  参考訳（メタデータ） (2022-11-22T15:23:53Z)
• ShuttleNet: Position-aware Fusion of Rally Progress and Player Styles for Stroke Forecasting in Badminton [18.524164548051417]
  本稿では,ターンベースのスポーツにおいて,どのストロークをどこで返すべきかを客観的に判断することに焦点を当てる。 本稿では,ラリープログレスとプレーヤスタイルの融合フレームワーク(ShuttleNet)を提案する。
  論文  参考訳（メタデータ） (2021-12-02T08:14:23Z)
• Interpretable Real-Time Win Prediction for Honor of Kings, a Popular Mobile MOBA Esport [51.20042288437171]
  本研究では,2段階空間時間ネットワーク(TSSTN)を提案する。 実世界のライブストリーミングシナリオにおける実験結果と応用により,提案したTSSTNモデルは予測精度と解釈可能性の両方において有効であることが示された。
  論文  参考訳（メタデータ） (2020-08-14T12:00:58Z)

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。