Fugu-MT 論文翻訳(概要): Team Intro to AI team8 at CoachAI Badminton Challenge 2023: Advanced ShuttleNet for Shot Predictions

論文の概要: Team Intro to AI team8 at CoachAI Badminton Challenge 2023: Advanced ShuttleNet for Shot Predictions

arxiv url: http://arxiv.org/abs/2307.13715v1
Date: Tue, 25 Jul 2023 16:10:45 GMT
ステータス: 処理完了
システム内更新日: 2023-07-27 14:56:59.865115
Title: Team Intro to AI team8 at CoachAI Badminton Challenge 2023: Advanced ShuttleNet for Shot Predictions
Title（参考訳）: CoachAI Badminton Challenge 2023: Advanced ShuttleNet for Shot Predictions
Authors: Shih-Hong Chen, Pin-Hsuan Chou, Yong-Fu Liu and Chien-An Han
Abstract要約: 我々は,過去のストロークを活用することで,バドミントンショットの種類や場所を予測する上で,既存のフレームワークであるShuttleNetの性能を向上させることを目指している。我々は,IJCAI 2023のCoachAI Badminton Challengeに参加し,ベースラインと比較して有意に優れた結果を得た。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper, our objective is to improve the performance of the existing framework ShuttleNet in predicting badminton shot types and locations by leveraging past strokes. We participated in the CoachAI Badminton Challenge at IJCAI 2023 and achieved significantly better results compared to the baseline. Ultimately, our team achieved the first position in the competition and we made our code available.
Abstract（参考訳）: 本稿では,過去のストロークを利用してバドミントンショットのタイプや位置を予測することで,既存のフレームワークである shuttlenet の性能を向上させることを目的とする。我々は,IJCAI 2023のCoachAI Badminton Challengeに参加し,ベースラインと比較して有意に優れた結果を得た。最終的に、私たちのチームはコンペで最初のポジションを獲得し、コードを利用可能にしました。

関連論文リスト

MuLMINet: Multi-Layer Multi-Input Transformer Network with Weighted Loss [6.854732863866882]
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。
論文参考訳（メタデータ） (2023-07-17T06:10:03Z)
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)
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)
The 7th AI City Challenge [87.23137854688389]
AIシティチャレンジの第7版では、コンピュータビジョンと人工知能の交差点にある2つのドメインを強調している。 2023年大会には5つのトラックがあり、46カ国508チームからの参加要請が過去最高となった。参加チームのトップパフォーマンスは強いベースラインを確立し、提案されたチャレンジトラックで最先端の成績を上げました。
論文参考訳（メタデータ） (2023-04-15T08:02:16Z)
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)
Retrospective on the 2021 BASALT Competition on Learning from Human Feedback [92.37243979045817]
競争の目的は、人間のフィードバック(LfHF)技術から学び、オープンワールドの課題を解決するエージェントへの研究を促進することであった。 LfHF技術の使用を義務付けるのではなく、ビデオゲームMinecraftで達成すべき自然言語の4つのタスクについて説明した。チームは、様々な可能な人間のフィードバックタイプにまたがる多様なLfHFアルゴリズムを開発した。
論文参考訳（メタデータ） (2022-04-14T17:24:54Z)
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)
Exploring the Long Short-Term Dependencies to Infer Shot Influence in Badminton Matches [9.553207911311926]
ショットのプロセスを完全に記述するためのバドミントン言語を導入します。本稿では,新しい短期抽出器と長期符号化器からなるディープラーニングモデルを提案する。本モデルでは,収集結果に対するアクションシーケンスの透明性を実現するためのアテンション機構を組み込んだ。
論文参考訳（メタデータ） (2021-09-14T04:44:40Z)
NTIRE 2021 Multi-modal Aerial View Object Classification Challenge [88.89190054948325]
CVPR の NTIRE 2021 ワークショップと共同で,MAVOC (Multi-modal Aerial View Object Classification) の最初の挑戦を紹介した。この課題は、EOとSAR画像を用いた2つの異なるトラックで構成されている。本コンペティションで提案した最上位の手法について検討し,その成果を目視テストセットで評価する。
論文参考訳（メタデータ） (2021-07-02T16:55:08Z)
Two-Stream Consensus Network: Submission to HACS Challenge 2021 Weakly-Supervised Learning Track [78.64815984927425]
弱い監督による時間的行動ローカライゼーションの目標は、ビデオの興味ある動作を時間的に特定し、分類することである。この課題では,2ストリームコンセンサスネットワーク(TSCN)を主要なフレームワークとして採用しています。この課題では,本手法が今後の学術研究のベースラインとなることを期待して,第2位にランクインした。
論文参考訳（メタデータ） (2021-06-21T03:36:36Z)
Coach-Player Multi-Agent Reinforcement Learning for Dynamic Team Composition [88.26752130107259]
現実世界のマルチエージェントシステムでは、異なる能力を持つエージェントがチーム全体の目標を変更することなく参加または離脱する可能性がある。この問題に取り組むコーチ・プレイヤー・フレームワーク「COPA」を提案します。 1)コーチと選手の両方の注意メカニズムを採用し、2)学習を正規化するための変動目標を提案し、3)コーチが選手とのコミュニケーションのタイミングを決定するための適応的なコミュニケーション方法を設計する。
論文参考訳（メタデータ） (2021-05-18T17:27:37Z)

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。