Fugu-MT 論文翻訳(概要): Esports Data-to-commentary Generation on Large-scale Data-to-text Dataset

論文の概要: Esports Data-to-commentary Generation on Large-scale Data-to-text Dataset

arxiv url: http://arxiv.org/abs/2212.10935v1
Date: Wed, 21 Dec 2022 11:23:31 GMT
ステータス: 処理完了
システム内更新日: 2022-12-22 14:56:57.143222
Title: Esports Data-to-commentary Generation on Large-scale Data-to-text Dataset
Title（参考訳）: 大規模データ・ツー・テキストデータセットにおけるesportsデータ・ツー・コンメンタリー生成
Authors: Zihan Wang and Naoki Yoshinaga
Abstract要約: 本稿では,構造化データからゲームコメンタリーを生成するタスクを導入し,この問題に対処する。まず,一般的なエスポートゲームであるLeague of Legendsの構造化データとコメンテータを用いて,大規模なエスポートデータテキストデータセットを構築した。エスポートの解説の特徴を考慮し, 評価指標として, 正確性, 流布性, 戦略的深さの3つの側面を含む評価指標を設計する。
参考スコア（独自算出の注目度）: 24.316107750588433
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Esports, a sports competition using video games, has become one of the most important sporting events in recent years. Although the amount of esports data is increasing than ever, only a small fraction of those data accompanies text commentaries for the audience to retrieve and understand the plays. Therefore, in this study, we introduce a task of generating game commentaries from structured data records to address the problem. We first build a large-scale esports data-to-text dataset using structured data and commentaries from a popular esports game, League of Legends. On this dataset, we devise several data preprocessing methods including linearization and data splitting to augment its quality. We then introduce several baseline encoder-decoder models and propose a hierarchical model to generate game commentaries. Considering the characteristics of esports commentaries, we design evaluation metrics including three aspects of the output: correctness, fluency, and strategic depth. Experimental results on our large-scale esports dataset confirmed the advantage of the hierarchical model, and the results revealed several challenges of this novel task.
Abstract（参考訳）: ビデオゲームを使ったスポーツ競技であるesportsは、近年最も重要なスポーツイベントの1つとなっている。 esportsデータの量はこれまでになく増加しているが、これらのデータのごく一部だけが、視聴者が戯曲を検索し理解するためにテキストコメンタリーを伴っている。そこで本研究では,構造化データからゲーム注釈を生成するタスクを導入し,この問題に対処する。まず,一般的なエスポートゲームであるLeague of Legendsの構造化データと注釈を用いて,大規模なエスポートデータテキストデータセットを構築した。本データセットでは,線形化やデータ分割を含むデータ前処理手法を考案し,その品質を向上する。次に,いくつかのベースラインエンコーダデコーダモデルを導入し,ゲーム注釈を生成する階層モデルを提案する。 esportsのコメンテータの特徴を考慮して,出力の3つの側面を含む評価指標(正確性,流動性,戦略的深さ)をデザインする。大規模エスポートデータセットの実験結果から階層モデルの利点が確認され,本課題のいくつかの課題が明らかになった。

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)
MatchTime: Towards Automatic Soccer Game Commentary Generation [52.431010585268865]
観客の視聴体験を改善するために,自動サッカーゲーム解説モデルの構築を検討する。まず、既存のデータセットでよく見られるビデオテキストのミスアライメントを観察し、49試合のタイムスタンプを手動でアノテートする。第2に,既存のデータセットを自動的に修正・フィルタリングするマルチモーダル時間アライメントパイプラインを提案する。第3に、キュレートされたデータセットに基づいて、MatchVoiceという自動コメント生成モデルをトレーニングします。
論文参考訳（メタデータ） (2024-06-26T17:57:25Z)
SoccerNet-Echoes: A Soccer Game Audio Commentary Dataset [46.60191376520379]
本稿では,サッカーゲーム放送からの音声コメントの自動書き起こしによる,サッカーネットデータセットの拡張であるFocoNet-Echoesについて述べる。視覚的および聴覚的コンテンツとともにテキストデータを組み込むことで、サッカーゲームのダイナミクスを捉えるアルゴリズムを開発するための総合的なリソースとなることを目的としている。
論文参考訳（メタデータ） (2024-05-12T18:25:38Z)
Game-MUG: Multimodal Oriented Game Situation Understanding and Commentary Generation Dataset [8.837048597513059]
本稿では,新しいマルチモーダルゲーム状況理解とオーディエンスによるコメント生成データセットであるGAME-MUGを紹介する。我々のデータセットは、YouTubeとTwitchの2020-2022 LOLゲームライブストリームから収集され、テキスト、オーディオ、時系列イベントログを含むマルチモーダルEスポーツゲーム情報を含んでいる。また,ゲーム状況とオーディエンス会話理解を網羅して,新たなオーディエンス会話追加コメントデータセットを提案する。
論文参考訳（メタデータ） (2024-04-30T00:39:26Z)
Going for GOAL: A Resource for Grounded Football Commentaries [66.10040637644697]
本稿では,GrOunded footbAlLコメンタリー(GOAL)について紹介する。本稿では,フレームリオーダー,モーメント検索,ライブコメンタリー検索,プレイバイプレイのライブコメンタリー生成といったタスクに対して,最先端のベースラインを提供する。その結果,ほとんどのタスクにおいてSOTAモデルは合理的に機能することがわかった。
論文参考訳（メタデータ） (2022-11-08T20:04:27Z)
ESTA: An Esports Trajectory and Action Dataset [0.0]
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。
論文参考訳（メタデータ） (2022-09-20T17:13:50Z)
GOAL: Towards Benchmarking Few-Shot Sports Game Summarization [0.3683202928838613]
GOALは,イングランド初のスポーツゲーム要約データセットである。 GOALには103のコメントとニュースのペアがあり、それぞれ2724.9語と476.3語である。
論文参考訳（メタデータ） (2022-07-18T14:29:18Z)
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)
Knowledge Enhanced Sports Game Summarization [14.389241106925438]
2つの特徴を持つ新しいデータセットであるK-SportsSumを紹介する。 K-SportsSumは大規模なゲームから大量のデータを収集する。 K-SportsSumはさらに、523のスポーツチームと14,724人のスポーツ選手の情報を含む大規模な知識コーパスを提供している。
論文参考訳（メタデータ） (2021-11-24T15:06:20Z)
SoccerNet-v2: A Dataset and Benchmarks for Holistic Understanding of Broadcast Soccer Videos [71.72665910128975]
SoccerNet-v2 は SoccerNet ビデオデータセット用の手動アノテーションの大規模なコーパスである。 SoccerNetの500の未トリミングサッカービデオの中で、約300万のアノテーションをリリースしています。サッカーの領域における現在のタスクを拡張し、アクションスポッティング、カメラショットセグメンテーション、境界検出を含む。
論文参考訳（メタデータ） (2020-11-26T16:10:16Z)

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。