論文の概要: Predicting the outcome of team movements -- Player time series analysis using fuzzy and deep methods for representation learning

• arxiv url: http://arxiv.org/abs/2109.07570v1
• Date: Mon, 13 Sep 2021 18:42:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2021-09-17 14:14:18.450384
• Title: Predicting the outcome of team movements -- Player time series analysis using fuzzy and deep methods for representation learning
• Title（参考訳）: チームムーブメントの結果を予測する-ファジィとディープメソッドを用いたプレイヤー時系列分析による表現学習
• Authors: Omid Shokrollahi, Bahman Rohani, Amin Nobakhti
• Abstract要約: 我々は、より拡張された一連の動きや戦術計画において、短い戦術と宇宙占領の有用なエンコーディングのためのフレームワークを提供する。 本稿では,2015-16シーズンのプロバスケットボールSportVUデータセットにおける予測・認識タスクに対する提案手法の有効性について検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We extract and use player position time-series data, tagged along with the action types, to build a competent model for representing team tactics behavioral patterns and use this representation to predict the outcome of arbitrary movements. We provide a framework for the useful encoding of short tactics and space occupations in a more extended sequence of movements or tactical plans. We investigate game segments during a match in which the team in possession of the ball regularly attempts to reach a position where they can take a shot at goal for a single game. A carefully designed and efficient kernel is employed using a triangular fuzzy membership function to create multiple time series for players' potential of presence at different court regions. Unsupervised learning is then used for time series using triplet loss and deep neural networks with exponentially dilated causal convolutions for the derived multivariate time series. This works key contribution lies in its approach to model how short scenes contribute to other longer ones and how players occupies and creates new spaces in-game court. We discuss the effectiveness of the proposed approach for prediction and recognition tasks on the professional basketball SportVU dataset for the 2015-16 half-season. The proposed system demonstrates descent functionality even with relatively small data.
• Abstract（参考訳）: アクションタイプとともにタグ付けされたプレイヤーの位置時系列データを抽出・利用し、チーム戦術行動パターンを表現できる有能なモデルを構築し、この表現を用いて任意の動きの結果を予測する。 我々は、より拡張された動きや戦術計画において、短い戦術と宇宙占領の有用な符号化のためのフレームワークを提供する。 我々は、球を所有するチームが1試合のゴールでシュートできる位置に定期的に到達しようとする試合中のゲームセグメントを調査した。 注意深い設計と効率のよいカーネルは、三角形のファジィメンバシップ関数を使用して、異なるコート領域におけるプレイヤーの存在可能性の複数の時系列を作成する。 教師なし学習は、三重項損失と、派生した多変量時系列の指数関数的に拡張された因果畳み込みを持つディープニューラルネットワークを用いて時系列に使用される。 これは、短いシーンが他の長いシーンにどのように貢献するか、プレイヤーがゲーム内の新しいスペースをどのように占有し、創造するかをモデル化するアプローチに重要な貢献がある。 2015-16シーズンのプロバスケットボールsportvuデータセットにおける予測と認識タスクに対する提案手法の有効性について検討した。 提案システムは,比較的小さなデータでも降下機能を示す。

関連論文リスト

• Action Anticipation from SoccerNet Football Video Broadcasts [84.87912817065506]
  フットボール放送ビデオのアクション予測タスクについて紹介する。 我々は、5秒または10秒の予測ウィンドウ内で、観測されていない将来のフレームにおける将来の動作を予測する。 我々の研究は、自動放送、戦術分析、プレイヤーの意思決定における応用を可能にします。
  論文  参考訳（メタデータ） (2025-04-16T12:24:33Z)
• Game State and Spatio-temporal Action Detection in Soccer using Graph Neural Networks and 3D Convolutional Networks [1.4249472316161877]
  サッカーは2つのデータソースに依存している。 本稿では,学習したエンドツーエンドと最先端の3D CNNによる視覚的・ゲーム的状態分析を組み合わせた時間的行動検出手法を提案する。
  論文  参考訳（メタデータ） (2025-02-21T13:41:38Z)
• Deciphering Movement: Unified Trajectory Generation Model for Multi-Agent [53.637837706712794]
  任意の軌道をマスク入力として処理する統一軌道生成モデルUniTrajを提案する。 具体的には,空間特徴抽出のためのトランスフォーマーエンコーダ内に埋め込まれたゴースト空間マスキング(GSM)モジュールを導入する。 バスケットボール-U,サッカー-U,サッカー-Uの3つの実用的なスポーツゲームデータセットをベンチマークして評価を行った。
  論文  参考訳（メタデータ） (2024-05-27T22:15:23Z)
• 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)
• Who You Play Affects How You Play: Predicting Sports Performance Using Graph Attention Networks With Temporal Convolution [29.478765505215538]
  本研究では,スポーツにおける選手のパフォーマンスを予測するための新しい深層学習手法であるGATv2-GCNを提案する。 グラフアテンションネットワークを使用して、各プレイヤーが互いに支払うアテンションをキャプチャし、より正確なモデリングを可能にします。 実世界スポーツデータを用いたモデルの性能評価を行い,選手のパフォーマンス予測の有効性を実証した。
  論文  参考訳（メタデータ） (2023-03-29T14:48:51Z)
• Event Detection in Football using Graph Convolutional Networks [0.0]
  ビデオシーケンスの各フレームにおけるプレーヤとボールをグラフとしてモデル化する方法を示す。 本稿では,各アクションの周囲に存在する時間的コンテキストをモデル化するためのグラフ畳み込み層とプール法について述べる。
  論文  参考訳（メタデータ） (2023-01-24T14:52:54Z)
• 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)
• Graph Neural Networks to Predict Sports Outcomes [0.0]
  スポーツに依存しないグラフによるゲーム状態の表現を導入する。 次に、提案したグラフ表現をグラフニューラルネットワークの入力として使用し、スポーツ結果を予測する。
  論文  参考訳（メタデータ） (2022-07-28T14:45:02Z)
• Predicting Team Performance with Spatial Temporal Graph Convolutional Networks [2.055949720959582]
  本稿では,エージェントの行動トレースからチームパフォーマンスを予測する新しい手法を提案する。 この問題は、コーチングや対戦相手モデリングといったスポーツ分析の課題に非常に関係している。
  論文  参考訳（メタデータ） (2022-06-21T20:40:35Z)
• Collusion Detection in Team-Based Multiplayer Games [57.153233321515984]
  チームベースのマルチプレイヤーゲームにおいて,協調動作を検出するシステムを提案する。 提案手法は,ゲーム内行動パターンと組み合わせたプレイヤーの社会的関係を解析する。 次に,非教師なし学習手法であるアイソレーションフォレストによる検出を自動化する。
  論文  参考訳（メタデータ） (2022-03-10T02:37:39Z)
• Temporally-Aware Feature Pooling for Action Spotting in Soccer Broadcasts [86.56462654572813]
  私たちは、サッカーの試合の主なアクションを一時的にローカライズするサッカー放送におけるアクションスポッティングの分析に焦点を当てています。 時間的知識を組み込んだNetVLAD++という,NetVLADに基づく新たな機能プーリング手法を提案する。 我々は最近の大規模データセット SoccerNet-v2 の方法論をトレーニングし、評価し、アクションスポッティングのための平均平均mAP 53.4% に達した。
  論文  参考訳（メタデータ） (2021-04-14T11:09:03Z)
• Faster Algorithms for Optimal Ex-Ante Coordinated Collusive Strategies in Extensive-Form Zero-Sum Games [123.76716667704625]
  我々は,不完全情報ゼロサム拡張形式ゲームにおいて,対戦相手と対決する2人の選手のチームにとって最適な戦略を見つけることの課題に焦点をあてる。 この設定では、チームができる最善のことは、ゲーム開始時の関節(つまり相関した)確率分布から潜在的にランダム化された戦略(プレイヤー1人)のプロファイルをサンプリングすることである。 各プロファイルにランダム化されるのはチームメンバーの1人だけであるプロファイルのみを用いることで、そのような最適な分布を計算するアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2020-09-21T17:51:57Z)

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。