論文の概要: Group Activity Recognition in Basketball Tracking Data -- Neural Embeddings in Team Sports (NETS)

• arxiv url: http://arxiv.org/abs/2209.00451v1
• Date: Wed, 31 Aug 2022 01:22:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-02 14:08:34.525415
• Title: Group Activity Recognition in Basketball Tracking Data -- Neural Embeddings in Team Sports (NETS)
• Title（参考訳）: バスケットボール追跡データにおけるグループアクティビティ認識 -- チームスポーツにおける神経組込み(ネット)
• Authors: Sandro Hauri and Slobodan Vucetic
• Abstract要約: チームスポーツにおけるグループ活動認識(GAR)のための新しい深層学習手法である.NETSを提案する。 NBAの632試合の大規模追跡データを用いて,そのアプローチを評価した。 以上の結果から,NETS はグループ活動の学習を高い精度で行うことができ,自己指導と弱監督の訓練が GAR の精度に肯定的な影響を与えることが示唆された。
• 参考スコア（独自算出の注目度）: 10.259254824702554
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Like many team sports, basketball involves two groups of players who engage in collaborative and adversarial activities to win a game. Players and teams are executing various complex strategies to gain an advantage over their opponents. Defining, identifying, and analyzing different types of activities is an important task in sports analytics, as it can lead to better strategies and decisions by the players and coaching staff. The objective of this paper is to automatically recognize basketball group activities from tracking data representing locations of players and the ball during a game. We propose a novel deep learning approach for group activity recognition (GAR) in team sports called NETS. To efficiently model the player relations in team sports, we combined a Transformer-based architecture with LSTM embedding, and a team-wise pooling layer to recognize the group activity. Training such a neural network generally requires a large amount of annotated data, which incurs high labeling cost. To address scarcity of manual labels, we generate weak-labels and pretrain the neural network on a self-supervised trajectory prediction task. We used a large tracking data set from 632 NBA games to evaluate our approach. The results show that NETS is capable of learning group activities with high accuracy, and that self- and weak-supervised training in NETS have a positive impact on GAR accuracy.
• Abstract（参考訳）: 多くのチームスポーツと同様に、バスケットボールはゲームに勝つために協力的および敵対的な活動に従事する2人のプレイヤーのグループを含む。 プレイヤーとチームは、対戦相手に対して有利になるために、様々な複雑な戦略を実行しています。 様々な種類の活動を定義し、識別し、分析することはスポーツ分析において重要な課題であり、選手やコーチングスタッフによるより良い戦略や決定につながる可能性がある。 本研究の目的は,ゲーム中の選手とボールの位置を示すデータから,バスケットボールグループ活動を自動的に認識することである。 チームスポーツにおけるグループ活動認識(GAR)のための新しい深層学習手法を提案する。 チームスポーツにおける選手関係を効率的にモデル化するために,トランスフォーマーをベースとしたアーキテクチャとLSTM埋め込み,チームワイドプール層を組み合わせてグループ活動を認識した。 このようなニューラルネットワークをトレーニングするには、一般的に大量の注釈付きデータが必要である。 手動ラベルの不足に対処するために,弱ラベルを生成し,自己教師付き軌道予測タスクでニューラルネットワークを事前学習する。 NBAの632試合の大規模追跡データを用いて,そのアプローチを評価した。 以上の結果から,NETS はグループ活動の学習を高い精度で行うことができ,自己指導と弱監督の訓練が GAR の精度に肯定的な影響を与えることが示された。

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)
• ShuttleSet: A Human-Annotated Stroke-Level Singles Dataset for Badminton Tactical Analysis [5.609957071296952]
  我々は、アノテートされたストロークレベルの記録を持つ、公開可能な最大のバドミントンシングルスデータセットであるShuttleSetを紹介する。 104セット、3,685ラリー、36,492ストロークが2018年から2021年にかけて44試合に出場し、27人の男子シングルと女子シングルが出場した。 ShuttleSetはコンピュータ支援ラベル付けツールで手動で注釈付けされ、ショットタイプを選択する際のラベル付け効率と有効性を高める。
  論文  参考訳（メタデータ） (2023-06-08T05:41:42Z)
• Hang-Time HAR: A Benchmark Dataset for Basketball Activity Recognition using Wrist-Worn Inertial Sensors [47.33629411771497]
  本稿では,手首に装着したセンサから身体活動認識手法を評価するためのベンチマークデータセットを提案する。 データセットは、米国とドイツの2つのチームで記録され、計24人のプレーヤーが手首に慣性センサーを装着した。
  論文  参考訳（メタデータ） (2023-05-22T15:25:29Z)
• 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 Survey on Video Action Recognition in Sports: Datasets, Methods and Applications [60.3327085463545]
  本稿では,スポーツ分析のための映像行動認識に関する調査を行う。 サッカー、バスケットボール、バレーボール、ホッケー、フィギュアスケート、体操、卓球、ダイビング、バドミントンなど10種以上のスポーツを紹介します。 本研究では,サッカー,バスケットボール,卓球,フィギュアスケート動作認識をサポートするPaddlePaddleを用いたツールボックスを開発した。
  論文  参考訳（メタデータ） (2022-06-02T13:19:36Z)
• Individual and Collective Performance Deteriorate in a New Team: A Case Study of CS:GO Tournaments [11.86905804972623]
  本研究の目的は,eスポーツトーナメントにおけるチーム変更が個人的,集団的パフォーマンスに与える影響に答えることである。 人気1人シューティングゲームのプロトーナメントのデータを収集した。 選手が新しいチームに転向した後、個人と集団のパフォーマンスが低下し、徐々に回復した。
  論文  参考訳（メタデータ） (2022-05-19T16:54:49Z)
• 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)
• Contrastive Learning for Sports Video: Unsupervised Player Classification [2.3633885460047765]
  我々は,異なるチームにおけるプレイヤーの表現距離を最大化するために,埋め込みネットワークが学習する対照的な学習手法を採用する。 コントラスト法は1フレームのみの教師なしトレーニングで94%の精度を実現し,500フレーム中97%の精度でゲーム時間17秒以内の精度向上を実現している。
  論文  参考訳（メタデータ） (2021-04-15T20:24:02Z)
• My Team Will Go On: Differentiating High and Low Viability Teams through Team Interaction [17.729317295204368]
  オンラインチームの669の10分間のテキスト会話のデータセット上で、生存可能性分類モデルをトレーニングする。 その結果,ラッソ回帰モデルにより,可視性スコアの分類のしきい値が異なる.74--.92 AUC ROCの精度が得られることがわかった。
  論文  参考訳（メタデータ） (2020-10-14T21:33:36Z)
• Social Adaptive Module for Weakly-supervised Group Activity Recognition [143.68241396839062]
  本稿では、弱教師付きグループ活動認識(GAR)と呼ばれる新しいタスクを提案する。 従来のGARタスクとは違い、ビデオレベルラベルのみが利用可能であるが、トレーニングデータにおいても、各フレーム内の重要人物は提供されない。 これにより、大規模なNBAデータセットの収集とアノテートが容易になり、GARに新たな課題が生まれます。
  論文  参考訳（メタデータ） (2020-07-18T16:40:55Z)

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。