論文の概要: Classifying Soccer Ball-on-Goal Position Through Kicker Shooting Action

• arxiv url: http://arxiv.org/abs/2312.15236v1
• Date: Sat, 23 Dec 2023 12:11:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-27 19:00:26.830818
• Title: Classifying Soccer Ball-on-Goal Position Through Kicker Shooting Action
• Title（参考訳）: キッカーシューティングアクションによるサッカーボールのゴール位置の分類
• Authors: Javier Tor\'on-Artiles, Daniel Hern\'andez-Sosa, Oliverio J. Santana, Javier Lorenzo-Navarro and David Freire-Obreg\'on
• Abstract要約: 本研究は、シューターの蹴りを観察することで、サッカーフリーキック後のボールの方向を正確に予測できるかどうかを論じる。 我々のアプローチは、ヒューマンアクション認識(HAR)埋め込みとコンテキスト情報を統合するモデルを開発するためにニューラルネットワークを活用することである。 その結果,2つの主要なBoGPクラス(左右)を考える場合,69.1%の精度が得られた。
• 参考スコア（独自算出の注目度）: 1.3887779684720984
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This research addresses whether the ball's direction after a soccer free-kick can be accurately predicted solely by observing the shooter's kicking technique. To investigate this, we meticulously curated a dataset of soccer players executing free kicks and conducted manual temporal segmentation to identify the moment of the kick precisely. Our approach involves utilizing neural networks to develop a model that integrates Human Action Recognition (HAR) embeddings with contextual information, predicting the ball-on-goal position (BoGP) based on two temporal states: the kicker's run-up and the instant of the kick. The study encompasses a performance evaluation for eleven distinct HAR backbones, shedding light on their effectiveness in BoGP estimation during free-kick situations. An extra tabular metadata input is introduced, leading to an interesting model enhancement without introducing bias. The promising results reveal 69.1% accuracy when considering two primary BoGP classes: right and left. This underscores the model's proficiency in predicting the ball's destination towards the goal with high accuracy, offering promising implications for understanding free-kick dynamics in soccer.
• Abstract（参考訳）: 本研究は、サッカーフリーキック後のボールの方向が、シューティング技のみを用いて正確に予測できるかどうかを考察する。 これを調べるために,フリーキックを行うサッカー選手のデータセットを精査し,手動のテンポラルセグメンテーションを行い,キックのモーメントを正確に特定した。 本手法は,人間の行動認識(har)埋め込みと文脈情報の統合モデルを構築し,キック者のランニングアップとキックの瞬間の2つの時間状態に基づいてボールオンゴール位置(bogp)を予測する。 この研究は11の異なるharバックボーンの性能評価を包含しており、フリーキック状況におけるbookp推定の有効性に光を当てている。 追加の表形式のメタデータ入力が導入され、バイアスを伴わずに興味深いモデル拡張が実現される。 有望な結果は、右と左の2つの主要なBoGPクラスを考える際に69.1%の精度を示す。 このことは、ボールのゴールへの目的地を高い精度で予測し、サッカーにおけるフリーキックのダイナミクスを理解する上で有望な意味を持つ。

関連論文リスト

• FootBots: A Transformer-based Architecture for Motion Prediction in Soccer [28.32714256545306]
  FootBotsは、動作予測と条件付き動作予測に対処するエンコーダ・デコーダベースのアーキテクチャである。 FootBotsは、設定されたアテンションブロックとマルチアテンションブロックデコーダを使用して、時間的および社会的ダイナミクスをキャプチャする。 実際のサッカーデータに対する実証的な結果は、フットボットがモーション予測においてベースラインを上回っていることを示している。
  論文  参考訳（メタデータ） (2024-06-28T11:49:59Z)
• Bayes-xG: Player and Position Correction on Expected Goals (xG) using Bayesian Hierarchical Approach [55.2480439325792]
  本研究は, 期待目標(xG)測定値を用いて, 目標となるショットの予測における選手や位置要因の影響について検討した。 StatsBombの公開データを使って、イングランドのプレミアリーグから1万発のショットを分析している。 この研究は、スペインのラ・リガとドイツのブンデスリーガのデータに分析を拡張し、同等の結果を得た。
  論文  参考訳（メタデータ） (2023-11-22T21:54:02Z)
• 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 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)
• Explainable expected goal models for performance analysis in football analytics [5.802346990263708]
  本報告では,2014-15年と2020-21年の7シーズンから315,430発のショットをトレーニングした,欧州サッカーリーグのトップ5のゴールモデルを提案する。 我々の知る限りでは、この論文は、プロファイルを集約した説明可能な人工知能ツールの実用的な応用を実証した最初の論文である。
  論文  参考訳（メタデータ） (2022-06-14T23:56:03Z)
• Evaluation of creating scoring opportunities for teammates in soccer via trajectory prediction [7.688133652295848]
  実際の動作と軌道予測による参照動作を比較することで,オフボールスコアリングの機会を創出する選手を評価する。 検証のために,プロサッカーリーグのチーム全試合の年間給与,ゴール,評価との関係を検討した。 提案手法は,ボールのない選手がチームメイトに得点率を与えるための指標として有効であることが示唆された。
  論文  参考訳（メタデータ） (2022-06-04T03:58:37Z)
• Adversarial Intrinsic Motivation for Reinforcement Learning [60.322878138199364]
  政策状態の訪問分布と目標分布とのワッサースタイン-1距離が強化学習タスクに有効に活用できるかどうかを検討する。 我々のアプローチは、AIM (Adversarial Intrinsic Motivation) と呼ばれ、このワッサーシュタイン-1距離をその双対目的を通して推定し、補足報酬関数を計算する。
  論文  参考訳（メタデータ） (2021-05-27T17:51:34Z)
• "Why Would I Trust Your Numbers?" On the Explainability of Expected Values in Soccer [5.825190876052149]
  本稿では,ショットの期待値を推定する,説明可能な一般化付加モデルを提案する。 我々は、練習者が慣れ親しんだピッチ上の指定されたゾーンにショットをファジィに割り当てることで、ショットの位置を表現している。 実験により,我々のモデルは既存のモデルと同じくらい正確であり,サッカー実践者には説明し易いことがわかった。
  論文  参考訳（メタデータ） (2021-05-27T10:05:00Z)
• RMS-Net: Regression and Masking for Soccer Event Spotting [52.742046866220484]
  イベントラベルとその時間的オフセットを同時に予測できる,軽量でモジュール化されたアクションスポッティングネットワークを開発した。 SoccerNetデータセットでテストし、標準機能を使用して、完全な提案は3平均mAPポイントで現在の状態を超えます。
  論文  参考訳（メタデータ） (2021-02-15T16:04:18Z)
• Evaluating Soccer Player: from Live Camera to Deep Reinforcement Learning [0.0]
  オープンソースのプレイヤー追跡モデルと、Deep Reinforcement Learningのみに基づいてこれらのプレイヤーを評価する新しいアプローチの2つの部分のソリューションを紹介します。 私達の追跡モデルは私達がまた解放するデータセットの監視された方法で訓練され、私達の評価モデルは仮想サッカーゲームのシミュレーションだけに頼ります。 新たなアプローチであるExpected Discounted Goal(EDG)は、チームが特定の状態から獲得または達成できる目標の数を表します。
  論文  参考訳（メタデータ） (2021-01-13T23:26:17Z)
• Predicting MOOCs Dropout Using Only Two Easily Obtainable Features from the First Week's Activities [56.1344233010643]
  いくつかの特徴は、学習者の誘惑や興味の欠如に寄与すると考えられており、そのことが解脱や総減退につながる可能性がある。 この研究は、いくつかの機械学習アプローチを比較して、最初の1週間から早期のドロップアウト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） (2020-08-12T10:44:49Z)

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。