論文の概要: Predicting Team Performance with Spatial Temporal Graph Convolutional Networks

• arxiv url: http://arxiv.org/abs/2206.10720v1
• Date: Tue, 21 Jun 2022 20:40:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-23 15:30:23.436837
• Title: Predicting Team Performance with Spatial Temporal Graph Convolutional Networks
• Title（参考訳）: 時空間グラフ畳み込みネットワークを用いたチームパフォーマンス予測
• Authors: Shengnan Hu, Gita Sukthankar
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.055949720959582
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a new approach for predicting team performance from the behavioral traces of a set of agents. This spatiotemporal forecasting problem is very relevant to sports analytics challenges such as coaching and opponent modeling. We demonstrate that our proposed model, Spatial Temporal Graph Convolutional Networks (ST-GCN), outperforms other classification techniques at predicting game score from a short segment of player movement and game features. Our proposed architecture uses a graph convolutional network to capture the spatial relationships between team members and Gated Recurrent Units to analyze dynamic motion information. An ablative evaluation was performed to demonstrate the contributions of different aspects of our architecture.
• Abstract（参考訳）: 本稿では,エージェント群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。 この時空間予測問題は、コーチングや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。 提案するモデルである空間的時間グラフ畳み込みネットワーク(st-gcn)は,プレイヤーの動きとゲーム特徴の短いセグメントからゲームスコアを予測する他の分類手法よりも優れていることを示す。 提案するアーキテクチャは、グラフ畳み込みネットワークを用いて、チームメンバーとゲートリカレントユニット間の空間的関係をキャプチャし、動的動作情報を分析する。 アーキテクチャのさまざまな側面のコントリビューションを示すために,アブレーション評価を実施した。

関連論文リスト

• UnityGraph: Unified Learning of Spatio-temporal features for Multi-person Motion Prediction [13.052342503276936]
  多対人動作予測は、重要な実世界の応用を持つ複雑な新興分野である。 本稿では,複数の時間的特徴を全体として扱う新しいグラフ構造UnityGraphを提案し,モデルコヒーレンスと結合時間的特徴を向上する。 提案手法は最先端の性能を達成し,その有効性と革新的な設計を実証する。
  論文  参考訳（メタデータ） (2024-11-06T08:05:36Z)
• 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)
• 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)
• Where Will Players Move Next? Dynamic Graphs and Hierarchical Fusion for Movement Forecasting in Badminton [6.2405734957622245]
  我々は、どのタイプのリターンストロークが作られるか、またプレイヤーが以前のストロークに基づいてどこに移動するかを予測することに重点を置いている。 既存のシーケンスベースのモデルはプレイヤー間の相互作用の影響を無視し、グラフベースのモデルは依然として多面的視点に悩まされている。 本稿では,対話型抽出器を用いた動的グラフと階層型移動予測モデル(DyMF)を提案する。
  論文  参考訳（メタデータ） (2022-11-22T12:21:24Z)
• Temporal Relevance Analysis for Video Action Models [70.39411261685963]
  まず,CNNに基づく行動モデルにより捉えたフレーム間の時間的関係を定量化する手法を提案する。 次に、時間的モデリングがどのように影響を受けるかをよりよく理解するために、包括的な実験と詳細な分析を行います。
  論文  参考訳（メタデータ） (2022-04-25T19:06:48Z)
• 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)
• Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting [75.10017445699532]
  近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。 本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-25T08:45:14Z)
• Temporal Graph Network Embedding with Causal Anonymous Walks Representations [54.05212871508062]
  本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。 評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。 欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-19T15:39:52Z)
• Unified Graph Structured Models for Video Understanding [93.72081456202672]
  リレーショナル・テンポラル関係を明示的にモデル化するメッセージパッシンググラフニューラルネットワークを提案する。 本手法は,シーン内の関連エンティティ間の関係をより効果的にモデル化できることを示す。
  論文  参考訳（メタデータ） (2021-03-29T14:37:35Z)
• Towards Deeper Graph Neural Networks [63.46470695525957]
  グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。 いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。 本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
  論文  参考訳（メタデータ） (2020-07-18T01:11:14Z)

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。