論文の概要: Where Will Players Move Next? Dynamic Graphs and Hierarchical Fusion for
Movement Forecasting in Badminton
- arxiv url: http://arxiv.org/abs/2211.12217v1
- Date: Tue, 22 Nov 2022 12:21:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-23 18:57:22.940729
- Title: Where Will Players Move Next? Dynamic Graphs and Hierarchical Fusion for
Movement Forecasting in Badminton
- Title（参考訳）: プレイヤーは次に動くのか?
バドミントンにおける運動予測のための動的グラフと階層融合
- Authors: Kai-Shiang Chang, Wei-Yao Wang, Wen-Chih Peng
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 6.2405734957622245
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Sports analytics has captured increasing attention since analysis of the
various data enables insights for training strategies, player evaluation, etc.
In this paper, we focus on predicting what types of returning strokes will be
made, and where players will move to based on previous strokes. As this problem
has not been addressed to date, movement forecasting can be tackled through
sequence-based and graph-based models by formulating as a sequence prediction
task. However, existing sequence-based models neglect the effects of
interactions between players, and graph-based models still suffer from
multifaceted perspectives on the next movement. Moreover, there is no existing
work on representing strategic relations among players' shot types and
movements. To address these challenges, we first introduce the procedure of the
Player Movements (PM) graph to exploit the structural movements of players with
strategic relations. Based on the PM graph, we propose a novel Dynamic Graphs
and Hierarchical Fusion for Movement Forecasting model (DyMF) with interaction
style extractors to capture the mutual interactions of players themselves and
between both players within a rally, and dynamic players' tactics across time.
In addition, hierarchical fusion modules are designed to incorporate the style
influence of both players and rally interactions. Extensive experiments show
that our model empirically outperforms both sequence- and graph-based methods
and demonstrate the practical usage of movement forecasting.
- Abstract（参考訳）: 各種データの分析により,トレーニング戦略やプレーヤ評価などの洞察が得られ,スポーツ分析が注目を集めている。
そこで本稿では,どの種類の復帰ストロークが作られるか,また,選手が前回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焦点を当てる。
この問題はこれまで解決されていないため、シーケンス予測タスクとして定式化することにより、シーケンスベースおよびグラフベースのモデルを通じて動き予測に取り組むことができる。
しかし、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ており、グラフベースのモデルは次の動きに対する多面的視点に苦しむ。
また、プレイヤーのショットタイプや動きの戦略的関係を表現する作業は現存していない。
これらの課題に対処するために,まず,プレイヤーの動き(pm)グラフの手順を導入し,プレイヤーの構造的動きを戦略的関係に活用する。
PMグラフに基づいて,対話スタイル抽出器を用いた動的グラフと階層型動き予測モデル(DyMF)を提案する。
さらに、階層的融合モジュールはプレイヤーとラリー相互作用の両方のスタイルの影響を組み込むように設計されている。
広範な実験により,本モデルが逐次的およびグラフ的手法を経験的に上回っており,動き予測の実用性が示される。
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) - Local-Global Information Interaction Debiasing for Dynamic Scene Graph
Generation [51.92419880088668]
マルチタスク学習に基づく新しいDynSGGモデルDynSGG-MTLを提案する。
長期的人間の行動は、大域的な制約に適合する複数のシーングラフを生成するためにモデルを監督し、尾の述語を学べないモデルを避ける。
論文 参考訳（メタデータ） (2023-08-10T01:24:25Z) - 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) - Dynamic Scenario Representation Learning for Motion Forecasting with
Heterogeneous Graph Convolutional Recurrent Networks [25.383615554172778]
進化するシナリオをモデル化するために、動的異種グラフを利用する。
異種グラフリカレントネットワークを設計し、多様な相互作用情報を集約する。
動作予測デコーダを用いて,エージェントの現実的かつ多モーダルな将来の軌跡を予測する。
論文 参考訳（メタデータ） (2023-03-08T04:10:04Z) - 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) - 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) - Weakly-supervised Action Transition Learning for Stochastic Human Motion
Prediction [81.94175022575966]
動作駆動型人間の動作予測の課題について紹介する。
一連の動作ラベルと短い動作履歴から、複数の可算な将来の動作を予測することを目的としている。
論文 参考訳（メタデータ） (2022-05-31T08:38:07Z) - Dyadic Human Motion Prediction [119.3376964777803]
本稿では,2つの被験者の相互作用を明示的に推論する動き予測フレームワークを提案する。
具体的には,2つの被験者の運動履歴の相互依存をモデル化する一対の注意機構を導入する。
これにより、より現実的な方法で長期の運動力学を保ち、異常かつ高速な運動を予測することができる。
論文 参考訳（メタデータ） (2021-12-01T10:30:40Z) - TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。
我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
論文 参考訳（メタデータ） (2021-05-17T15:33:25Z)
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。