Fugu-MT 論文翻訳(概要): ESTA: An Esports Trajectory and Action Dataset

論文の概要: ESTA: An Esports Trajectory and Action Dataset

arxiv url: http://arxiv.org/abs/2209.09861v1
Date: Tue, 20 Sep 2022 17:13:50 GMT
ステータス: 処理完了
システム内更新日: 2022-09-21 19:03:56.866633
Title: ESTA: An Esports Trajectory and Action Dataset
Title（参考訳）: ESTA:Esportsの軌跡とアクションデータセット
Authors: Peter Xenopoulos, Claudio Silva
Abstract要約: 我々はエスポートデータを用いて、勝利予測のための機械学習モデルを開発する。 Awpyはオープンソースのライブラリで、プレイヤーの軌跡やアクションをゲームログから抽出できる。 ESTAは、これまでで最大かつ最も細かく公開されているスポーツデータセットの1つである。
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: Sports, due to their global reach and impact-rich prediction tasks, are an exciting domain to deploy machine learning models. However, data from conventional sports is often unsuitable for research use due to its size, veracity, and accessibility. To address these issues, we turn to esports, a growing domain that encompasses video games played in a capacity similar to conventional sports. Since esports data is acquired through server logs rather than peripheral sensors, esports provides a unique opportunity to obtain a massive collection of clean and detailed spatiotemporal data, similar to those collected in conventional sports. To parse esports data, we develop awpy, an open-source esports game log parsing library that can extract player trajectories and actions from game logs. Using awpy, we parse 8.6m actions, 7.9m game frames, and 417k trajectories from 1,558 game logs from professional Counter-Strike tournaments to create the Esports Trajectory and Actions (ESTA) dataset. ESTA is one of the largest and most granular publicly available sports data sets to date. We use ESTA to develop benchmarks for win prediction using player-specific information. The ESTA data is available at https://github.com/pnxenopoulos/esta and awpy is made public through PyPI.
Abstract（参考訳）: スポーツは、グローバルなリーチとインパクトに富んだ予測タスクのおかげで、機械学習モデルをデプロイするエキサイティングな領域である。しかし、従来のスポーツのデータはそのサイズ、正確性、アクセシビリティのために研究に適さないことが多い。これらの問題に対処するため,従来のスポーツと同じような能力でプレイされるビデオゲームを対象とするエスポートに目を向ける。 esportsデータは周辺センサーではなくサーバログ経由で取得されるため、esportsは、従来のスポーツで収集されたものと類似した、クリーンで詳細な時空間データの膨大なコレクションを得るユニークな機会を提供する。エスポートデータを解析するために,オープンソースのエスポートゲームログ解析ライブラリであるawpyを開発し,ゲームログからプレイヤーの軌跡やアクションを抽出する。 awpyを用いて、プロのCounter-Strikeトーナメントの1,558のゲームログから8.6mのアクション、7.9mのゲームフレーム、417kのトラジェクトリを解析し、Esports Trajectory and Actions(ESTA)データセットを作成する。 ESTAは、これまでで最大かつ最も細かく公開されているスポーツデータセットの1つである。我々はestaを用いてプレイヤー固有の情報を用いたウィン予測のためのベンチマークを開発した。 ESTAデータはhttps://github.com/pnxenopoulos/estaで入手できる。

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)
Sports-QA: A Large-Scale Video Question Answering Benchmark for Complex and Professional Sports [90.79212954022218]
スポーツビデオQAタスク用に特別に設計された最初のデータセットであるSports-QAを紹介する。 Sports-QAデータセットには、説明、時系列、因果関係、反事実条件など、さまざまな種類の質問が含まれている。質問応答のための時間的情報の特定の尺度に自動的にフォーカスできる新しいオートフォーカス変換器(AFT)を提案する。
論文参考訳（メタデータ） (2024-01-03T02:22:34Z)
Commentary Generation from Data Records of Multiplayer Strategy Esports Game [21.133690853111133]
我々は、人気のあるエスポートゲームであるLeague of Legendsから構造化されたデータと注釈をペアリングする大規模なデータセットを構築します。次に、Transformerベースのモデルを評価し、構造化データレコードからゲーム注釈を生成する。データ・ツー・テキスト・ジェネレーションのコミュニティにおける潜在的研究を促進するために、データセットをリリースします。
論文参考訳（メタデータ） (2022-12-21T11:23:31Z)
GCN-WP -- Semi-Supervised Graph Convolutional Networks for Win Prediction in Esports [84.55775845090542]
本稿では,グラフ畳み込みネットワークに基づくエスポートに対する半教師付き勝利予測モデルを提案する。 GCN-WPはマッチとプレーヤに関する30以上の機能を統合し、近隣のゲームを分類するためにグラフ畳み込みを使用している。本モデルは,LLの機械学習やスキル評価モデルと比較して,最先端の予測精度を実現する。
論文参考訳（メタデータ） (2022-07-26T21:38:07Z)
SC2EGSet: StarCraft II Esport Replay and Game-state Dataset [0.0]
この研究は、StarCraft II esportsトーナメントから生のファイルと事前処理されたファイルを提供することで、幅広い科学コミュニティにエスポートを開放することを目的としている。トーナメントマッチをゲームエンジンで生成し,低レベルアプリケーションプログラミングインタフェース(API)ライブラリを用いてデータ抽出を行った。私たちのデータセットには、2016年以来のスタークラフトIIトーナメントのメジャーおよびプレミアのリプレイが含まれています。
論文参考訳（メタデータ） (2022-07-07T16:52:53Z)
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)
AI-enabled Prediction of eSports Player Performance Using the Data from Heterogeneous Sensors [12.071865017583502]
我々は,センサのデータのみを用いて,eSportsプレーヤーのゲーム内パフォーマンスを予測する人工知能(AI)対応ソリューションについて報告する。リカレントニューラルネットワークを用いて、マルチプレイヤーゲームにおけるゲームログから、各モーメント毎のプレイヤー性能を評価する。提案するソリューションはプロのeスポーツチームやアマチュア選手のための学習ツールに多くの有望な応用がある。
論文参考訳（メタデータ） (2020-12-07T07:31:53Z)
Game Plan: What AI can do for Football, and What Football can do for AI [83.79507996785838]
予測的および規範的フットボール分析は、統計学習、ゲーム理論、コンピュータビジョンの交差点における新たな発展と進歩を必要とする。フットボール分析は、サッカー自体のゲームを変えるだけでなく、この領域がAIの分野で何を意味するのかという観点からも、非常に価値の高いゲームチェンジャーであることを示す。
論文参考訳（メタデータ） (2020-11-18T10:26:02Z)
Valuing Player Actions in Counter-Strike: Global Offensive [4.621805808537653]
ゲーム内CSGOイベント7000万以上を使用して、当社のフレームワークの一貫性と独立性を実証します。また,高インパクトプレイ識別と不確実性推定のユースケースも提供する。
論文参考訳（メタデータ） (2020-11-02T21:11:14Z)
Collection and Validation of Psychophysiological Data from Professional and Amateur Players: a Multimodal eSports Dataset [7.135992354416602]
リーグ・オブ・レジェンズ(League of Legends)ビデオゲームのプロチームとアマチュアチームから収集したデータセットを40時間以上の録音で提示する。記録にはプレイヤーの生理活動、動き、脈拍、ササード、様々なセンサーから得られる。このデータセットの重要な特徴は、5人のプレーヤーによる同時データ収集であり、チームレベルでのセンサーデータの分析を容易にする。
論文参考訳（メタデータ） (2020-11-02T13:25:11Z)
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。