論文の概要: ML-Based Approach for NFL Defensive Pass Interference Prediction Using GPS Tracking Data

• arxiv url: http://arxiv.org/abs/2206.13222v1
• Date: Fri, 24 Jun 2022 09:56:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-03 12:16:00.892220
• Title: ML-Based Approach for NFL Defensive Pass Interference Prediction Using GPS Tracking Data
• Title（参考訳）: gps追跡データを用いたmlによるnfl守備パス干渉予測
• Authors: Arian Skoki, Jonatan Lerga, Ivan \v{S}tajduhar
• Abstract要約: ディフェンシブ・パス・インターフェレーション(DPI)はNFLで最も影響力のあるペナルティの1つである。 GPS追跡データを用いてDPIを予測することは、成功にしかならない。 この研究は、ビデオシーケンス分類のための多段階パイプラインのフィルタとして機能するかもしれない。
• 参考スコア（独自算出の注目度）: 1.0055143995729414
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Defensive Pass Interference (DPI) is one of the most impactful penalties in the NFL. DPI is a spot foul, yielding an automatic first down to the team in possession. With such an influence on the game, referees have no room for a mistake. It is also a very rare event, which happens 1-2 times per 100 pass attempts. With technology improving and many IoT wearables being put on the athletes to collect valuable data, there is a solid ground for applying machine learning (ML) techniques to improve every aspect of the game. The work presented here is the first attempt in predicting DPI using player tracking GPS data. The data we used was collected by NFL's Next Gen Stats throughout the 2018 regular season. We present ML models for highly imbalanced time-series binary classification: LSTM, GRU, ANN, and Multivariate LSTM-FCN. Results showed that using GPS tracking data to predict DPI has limited success. The best performing models had high recall with low precision which resulted in the classification of many false positive examples. Looking closely at the data confirmed that there is just not enough information to determine whether a foul was committed. This study might serve as a filter for multi-step pipeline for video sequence classification which could be able to solve this problem.
• Abstract（参考訳）: ディフェンシブ・パス・インターフェレーション(DPI)はNFLで最も影響力のあるペナルティの一つである。 DPIはスポットファールであり、所有するチームには自動ファーストダウンを与える。 このような影響で、審判は間違いを犯す余地がない。 また、100回のパスで1-2回発生する非常に稀なイベントでもある。 テクノロジーの改善と多くのIoTウェアラブルがアスリートに価値あるデータを集めるために置かれているため、ゲームのあらゆる面を改善するために機械学習(ML)技術を適用するための確固たる基盤がある。 この研究は、プレイヤー追跡GPSデータを用いてDPIを予測する最初の試みである。 私たちが使用したデータは、2018年のレギュラーシーズンを通じてNFLのNext Gen Statsによって収集されました。 LSTM, GRU, ANN, Multivariate LSTM-FCN という, 高度に不均衡な時系列バイナリ分類のためのMLモデルを提案する。 結果,DPI予測にGPS追跡データを用いた場合,成功は少なかった。 ベストパフォーマンスモデルは高いリコールと低い精度を有しており、多くの偽陽性例の分類に繋がった。 データをよく見ると、不正行為が実行されたかどうかを判断する十分な情報がないことが確認された。 本研究は,ビデオシーケンス分類のためのマルチステップパイプラインのフィルタとして機能し,この問題を解決できるかもしれない。

関連論文リスト

• Unsupervised Dense Retrieval with Relevance-Aware Contrastive Pre-Training [81.3781338418574]
  関連性を考慮したコントラスト学習を提案する。 我々は、BEIRおよびオープンドメインQA検索ベンチマークにおいて、SOTAアン教師なしコントリバーモデルを一貫して改善する。 本手法は, 目標コーパスの事前訓練後, BM25に打ち勝つだけでなく, 優れた数発学習者として機能する。
  論文  参考訳（メタデータ） (2023-06-05T18:20:27Z)
• Impact of a Batter in ODI Cricket Implementing Regression Models from Match Commentary [0.0]
  本研究は,プレイヤーがどのような状況でどれだけコントロールしているかを判断することで,このインパクトのあるパフォーマンスの背景にある欠点を理解することを目的とする。 私たちはOne Day Internationalの3人の著名なクリケット選手(Rohit G Sharma、David A Warner、Kene S Williamson)のキャリアに関するデータを収集しました。 我々は、各プレイヤーのデータに対して、複数の線形回帰(MLR)、ポリノミアル回帰、サポートベクトル回帰(SVR)、決定木回帰、ランダムフォレスト回帰を個別に使用し、プレイヤーがゲームに与える影響を予測する。
  論文  参考訳（メタデータ） (2023-02-22T06:42:20Z)
• SOMPT22: A Surveillance Oriented Multi-Pedestrian Tracking Dataset [5.962184741057505]
  我々はSOMPT22データセットを紹介した。これは、都市監視のための高さ6-8mのポール上の静止カメラから撮影した注釈付きショートビデオを備えた、複数人の追跡のための新しいセットである。 我々は,新しいデータセット上での検出とreIDネットワークの利用方法について,MOTトラッカーをワンショットと2ステージに分類して分析する。 我々の新しいデータセットの実験結果から、SOTAは依然として高効率には程遠いことが示され、シングルショットトラッカーは高速実行と精度を競合性能と一体化するための良い候補である。
  論文  参考訳（メタデータ） (2022-08-04T11:09:19Z)
• Tracking Every Thing in the Wild [61.917043381836656]
  我々は,新しい測定基準であるTrack Every Thing Accuracy(TETA)を導入し,測定結果を3つのサブファクター(ローカライゼーション,アソシエーション,分類)に分割する。 実験の結果、TETAはトラッカーをより包括的に評価し、TETerはBDD100KとTAOに挑戦する大規模データセットを大幅に改善することがわかった。
  論文  参考訳（メタデータ） (2022-07-26T15:37:19Z)
• TDT: Teaching Detectors to Track without Fully Annotated Videos [2.8292841621378844]
  検知と外観の埋め込みの両方を予測するワンステージトラッカーは、多くの注目を集めた。 提案した1段階のソリューションは,2段階のソリューションと品質が一致するが,3倍高速である。
  論文  参考訳（メタデータ） (2022-05-11T15:56:17Z)
• SoccerNet-Tracking: Multiple Object Tracking Dataset and Benchmark in Soccer Videos [62.686484228479095]
  本稿では,各30の200列からなる複数物体追跡のための新しいデータセットを提案する。 データセットは、バウンディングボックスとトラックレットIDで完全に注釈付けされている。 分析の結果,サッカービデオにおける複数の選手,審判,ボール追跡が解決されるには程遠いことがわかった。
  論文  参考訳（メタデータ） (2022-04-14T12:22:12Z)
• Efficient tracking of team sport players with few game-specific annotations [1.052782170493037]
  そこで本研究では,セミ・インタラクティブ・システムを通じて収集された人間のアノテーションがほとんどないため,チームスポーツ選手をフルゲーム中に追跡する新たな汎用手法を提案する。 非曖昧なトラックレットとその外観特徴は、両方の公開データセットで事前訓練された検出と再識別ネットワークによって自動的に生成される。 ラグビーのセブンスデータセットにアプローチの効率性を示す。
  論文  参考訳（メタデータ） (2022-04-08T13:11:30Z)
• SSSE: Efficiently Erasing Samples from Trained Machine Learning Models [103.43466657962242]
  サンプル消去のための効率的かつ効率的なアルゴリズムSSSEを提案する。 ある場合、SSSEは、許可されたデータだけで新しいモデルをスクラッチからトレーニングする最適な、しかし実用的でない金の標準と同様に、サンプルをほぼ消去することができる。
  論文  参考訳（メタデータ） (2021-07-08T14:17:24Z)
• Machine learning models for DOTA 2 outcomes prediction [8.388178167818635]
  本研究は,Dota 2 MOBAゲームの結果を特定するための予測機械学習モデルとディープラーニングモデルの構築に主に焦点をあてる。 リニア回帰(LR)、ニューラルネットワーク(NN)、リカレントニューラルネットワーク(LSTM)の3つのモデルについて検討・比較を行った。
  論文  参考訳（メタデータ） (2021-06-03T12:10:26Z)
• Discriminative-Generative Dual Memory Video Anomaly Detection [81.09977516403411]
  近年,ビデオ異常検出(VAD)には,トレーニングプロセス中に通常のデータに代えて,いくつかの異常を使おうと試みている。 本稿では,いくつかの異常を生かしてデータの不均衡を解決するために,識別生成型デュアルメモリ(dream)異常検出モデルを提案する。
  論文  参考訳（メタデータ） (2021-04-29T15:49:01Z)
• Robust Long-Term Object Tracking via Improved Discriminative Model Prediction [77.72450371348016]
  本稿では,事前学習した短期トラッカーをベースとした,堅牢な長期追跡のための識別モデル予測手法を提案する。 提案手法は,最先端の長期トラッカーに匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2020-08-11T14:31:11Z)

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。