論文の概要: MuLMINet: Multi-Layer Multi-Input Transformer Network with Weighted Loss

• arxiv url: http://arxiv.org/abs/2307.08262v2
• Date: Sun, 7 Apr 2024 15:47:41 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-10 05:07:30.533265
• Title: MuLMINet: Multi-Layer Multi-Input Transformer Network with Weighted Loss
• Title（参考訳）: MuLMINet: 軽量なマルチ層マルチ入力トランスネットワーク
• Authors: Minwoo Seong, Jeongseok Oh, SeungJun Kim,
• Abstract要約: 本稿では,プロのバドミントンプレーヤーのマッチングデータを利用して,将来的なショットタイプやエリア座標を正確に予測するマルチ層マルチ入力トランスフォーマネットワーク(MuLMINet)を提案する。 IJCAI CoachAI Badminton Challenge 2023, Track 2で優勝(2位)を果たした。
• 参考スコア（独自算出の注目度）: 6.854732863866882
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The increasing use of artificial intelligence (AI) technology in turn-based sports, such as badminton, has sparked significant interest in evaluating strategies through the analysis of match video data. Predicting future shots based on past ones plays a vital role in coaching and strategic planning. In this study, we present a Multi-Layer Multi-Input Transformer Network (MuLMINet) that leverages professional badminton player match data to accurately predict future shot types and area coordinates. Our approach resulted in achieving the runner-up (2nd place) in the IJCAI CoachAI Badminton Challenge 2023, Track 2. To facilitate further research, we have made our code publicly accessible online, contributing to the broader research community's knowledge and advancements in the field of AI-assisted sports analysis.
• Abstract（参考訳）: バドミントンのようなターンベーススポーツにおける人工知能(AI)技術の利用の増加は、マッチビデオデータの分析を通じて戦略を評価することに大きな関心を喚起している。 過去のショットに基づいて将来のショットを予測することは、コーチングと戦略的計画において重要な役割を担います。 本研究では,プロのバドミントンプレーヤーのマッチングデータを利用して,将来的なショットタイプや領域座標を正確に予測するマルチ層マルチ入力トランスフォーマネットワーク(MuLMINet)を提案する。 IJCAI CoachAI Badminton Challenge 2023, Track 2で優勝(2位)を果たした。 さらなる研究を促進するため、我々は私たちのコードをオンラインで公開し、AI支援スポーツ分析の分野における幅広い研究コミュニティの知識と進歩に貢献しました。

関連論文リスト

• Match Point AI: A Novel AI Framework for Evaluating Data-Driven Tennis Strategies [46.1232919707345]
  テニスマッチシミュレーション環境のtextitMatch Point AI について述べる。 最初の実験では、シミュレートされたテニスの試合で生成されたショット・バイ・ショットのデータは、実世界のデータと比較して現実的な特徴を示している。 同時に、現実のテニスの試合で見られるものと類似した、合理的なショット配置戦略が出現する。
  論文  参考訳（メタデータ） (2024-08-12T07:22:46Z)
• Benchmarking Badminton Action Recognition with a New Fine-Grained Dataset [16.407837909069073]
  高品質なバドミントン映像から得られたビデオバドミントンデータセットを紹介する。 VideoBadmintonの導入は、バドミントンアクション認識だけでなく、きめ細かいアクションを認識するためのデータセットも提供する。
  論文  参考訳（メタデータ） (2024-03-19T02:52:06Z)
• Benchmarking Stroke Forecasting with Stroke-Level Badminton Dataset [13.502952342104644]
  2022年の上位試合から収集したバドミントンシングルスデータセットであるShuttleSet22を提供する。 ShuttleSet22での既存の作業のベンチマークには、CoachAI Badminton Challenge @ IJCAI 2023でのTrack 2: Forecasting Future Turn-Based Strokes in Badminton Ralliesという課題がある。
  論文  参考訳（メタデータ） (2023-06-27T17:57:34Z)
• 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)
• ShuttleNet: Position-aware Fusion of Rally Progress and Player Styles for Stroke Forecasting in Badminton [18.524164548051417]
  本稿では,ターンベースのスポーツにおいて,どのストロークをどこで返すべきかを客観的に判断することに焦点を当てる。 本稿では,ラリープログレスとプレーヤスタイルの融合フレームワーク(ShuttleNet)を提案する。
  論文  参考訳（メタデータ） (2021-12-02T08:14:23Z)
• 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)
• Learning from Learners: Adapting Reinforcement Learning Agents to be Competitive in a Card Game [71.24825724518847]
  本稿では,競争力のあるマルチプレイヤーカードゲームの現実的な実装を学習・プレイするために,一般的な強化学習アルゴリズムをどのように適用できるかについて検討する。 本研究は,学習エージェントに対して,エージェントが競争力を持つことの学習方法を評価するための特定のトレーニングと検証ルーチンを提案し,それらが相互の演奏スタイルにどのように適応するかを説明する。
  論文  参考訳（メタデータ） (2020-04-08T14:11:05Z)
• Neural MMO v1.3: A Massively Multiagent Game Environment for Training and Evaluating Neural Networks [48.5733173329785]
  本稿では,MMOにインスパイアされたマルチエージェントゲーム環境であるNeural MMOを紹介する。 分散インフラストラクチャとゲームIOという,AI研究のためのマルチエージェントシステムエンジニアリングにおける,より一般的な2つの課題について論じる。
  論文  参考訳（メタデータ） (2020-01-31T18:50:02Z)

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。