論文の概要: Offensive Lineup Analysis in Basketball with Clustering Players Based on Shooting Style and Offensive Role

• arxiv url: http://arxiv.org/abs/2403.13821v1
• Date: Mon, 4 Mar 2024 03:09:25 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-25 07:07:37.457469
• Title: Offensive Lineup Analysis in Basketball with Clustering Players Based on Shooting Style and Offensive Role
• Title（参考訳）: シューティングスタイルと攻撃的役割に基づくクラスタリング選手によるバスケットボールの攻撃的ラインアップ解析
• Authors: Kazuhiro Yamada, Keisuke Fujii,
• Abstract要約: 本研究の目的は,演奏スタイルの整合性がスコアリング効率に与える影響を,攻撃のみに焦点をあてて,より具体的に分析することである。 本研究では、追跡データを用いたシューティングスタイルクラスタリングと、アノテートされたプレイタイプと高度な統計に基づく攻撃的なロールクラスタリングの2つの方法を用いる。 これら2つのクラスタリングから得られたラインアップ情報に基づいて、スコアリング効率を表す統計を予測した機械学習モデルベイズモデルを訓練し、解釈した。
• 参考スコア（独自算出の注目度）: 0.9002260638342727
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In a basketball game, scoring efficiency holds significant importance due to the numerous offensive possessions per game. Enhancing scoring efficiency necessitates effective collaboration among players with diverse playing styles. In previous studies, basketball lineups have been analyzed, but their playing style compatibility has not been quantitatively examined. The purpose of this study is to analyze more specifically the impact of playing style compatibility on scoring efficiency, focusing only on offense. This study employs two methods to capture the playing styles of players on offense: shooting style clustering using tracking data, and offensive role clustering based on annotated playtypes and advanced statistics. For the former, interpretable hand-crafted shot features and Wasserstein distances between shooting style distributions were utilized. For the latter, soft clustering was applied to playtype data for the first time. Subsequently, based on the lineup information derived from these two clusterings, machine learning models Bayesian models that predict statistics representing scoring efficiency were trained and interpreted. These approaches provide insights into which combinations of five players tend to be effective and which combinations of two players tend to produce good effects.
• Abstract（参考訳）: バスケットボールの試合では、得点効率はゲーム当たりの多くの攻撃的所有のために重要な意味を持つ。 スコアリング効率を向上させるには、多様なプレースタイルを持つプレイヤー間の効果的なコラボレーションが必要である。 これまでの研究では,バスケットボールのラインナップが分析されているが,その演奏スタイルの適合性は定量的に検討されていない。 本研究の目的は,演奏スタイルの整合性がスコアリング効率に与える影響を,攻撃のみに焦点をあてて,より具体的に分析することである。 本研究では、追跡データを用いたシューティングスタイルクラスタリングと、アノテートされたプレイタイプと高度な統計に基づく攻撃的なロールクラスタリングの2つの方法を用いる。 前者には、解釈可能な手作りショットの特徴と、射撃スタイルの分布間のワッサーシュタイン距離が利用された。 後者では、初めてソフトクラスタリングがプレイタイプデータに適用された。 その後、これらの2つのクラスタリングから得られたラインアップ情報に基づいて、スコアリング効率を表す統計を予測した機械学習モデルベイズモデルを訓練し、解釈した。 これらの手法は、5人のプレイヤーの組み合わせがどの効果をもたらすか、どのプレイヤーの組み合わせが良い効果をもたらすかという洞察を与える。

関連論文リスト

• SkillMimic: Learning Reusable Basketball Skills from Demonstrations [85.23012579911378]
  SkillMimicは、人間とボールの両方の動きを模倣して、さまざまなバスケットボールスキルを学習するデータ駆動型アプローチである。 SkillMimicは、人間とボールのモーションデータセットから多様なスキルを学ぶために、統一された構成を採用している。 SkillMimicが獲得したスキルは、高レベルのコントローラーで簡単に再利用でき、複雑なバスケットボールのタスクをこなせる。
  論文  参考訳（メタデータ） (2024-08-12T15:19:04Z)
• Estimation of control area in badminton doubles with pose information from top and back view drone videos [11.679451300997016]
  我々はバドミントンダブルスでトップとバックビューから最初の注釈付きドローンデータセットを提示する。 チームワークのパフォーマンスを評価するために,制御領域の確率マップを推定するフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-07T11:18:39Z)
• Understanding why shooters shoot -- An AI-powered engine for basketball performance profiling [70.54015529131325]
  バスケットボールは、プレイスタイルやゲームダイナミクスなど、多くの変数によって規定されている。 パフォーマンスプロファイルが様々なプレイスタイルを反映できることは重要です。 プレイヤのパフォーマンスプロファイルをタイムリーに可視化するツールを提案する。
  論文  参考訳（メタデータ） (2023-03-17T01:13:18Z)
• NBA2Vec: Dense feature representations of NBA players [0.0]
  本稿では,各プレーヤの高密度特徴表現を抽出するWord2Vecに基づくニューラルネットワークモデルであるNBA2Vecを提案する。 NBA2Vecは、2017年のNBAプレイオフシリーズの結果を正確に予測する。 NBA2Vec埋め込みの今後の応用は、プレイヤーのスタイルを特徴付けることで、プレイヤーの獲得とコーチング決定のための予測モデルに革命をもたらす可能性がある。
  論文  参考訳（メタデータ） (2023-02-26T19:05:57Z)
• 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)
• A Tale of HodgeRank and Spectral Method: Target Attack Against Rank Aggregation Is the Fixed Point of Adversarial Game [153.74942025516853]
  ランクアグリゲーション手法の本質的な脆弱性は文献ではよく研究されていない。 本稿では,ペアデータの変更による集計結果の指定を希望する目的のある敵に焦点をあてる。 提案した標的攻撃戦略の有効性は,一連の玩具シミュレーションと実世界のデータ実験によって実証された。
  論文  参考訳（メタデータ） (2022-09-13T05:59:02Z)
• Collusion Detection in Team-Based Multiplayer Games [57.153233321515984]
  チームベースのマルチプレイヤーゲームにおいて,協調動作を検出するシステムを提案する。 提案手法は,ゲーム内行動パターンと組み合わせたプレイヤーの社会的関係を解析する。 次に,非教師なし学習手法であるアイソレーションフォレストによる検出を自動化する。
  論文  参考訳（メタデータ） (2022-03-10T02:37:39Z)
• Bayesian Learning of Play Styles in Multiplayer Video Games [0.0]
  オンラインマルチプレイヤーゲームBattlefield 3の階層的ベイズ回帰手法を開発した。 私たちはバトルフィールド3プレーヤーのサンプルの中で共通のプレースタイルを発見します。 総合的なハイパフォーマンスを示すプレイヤーのグループと、特定のゲームタイプ、マップ、ロールで特によく演奏するプレイヤーのグループを見つけます。
  論文  参考訳（メタデータ） (2021-12-14T14:48:24Z)
• L2E: Learning to Exploit Your Opponent [66.66334543946672]
  本稿では,暗黙的対向モデリングのための新しい学習フレームワークを提案する。 L2Eは、トレーニング中に異なる相手との対話によって、相手を悪用する能力を取得する。 本稿では, 対戦相手を自動的に生成する新しい対戦相手戦略生成アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-18T14:27:59Z)
• Multi-Modal Trajectory Prediction of NBA Players [14.735704310108101]
  本稿では,プレイヤーのマルチモーダルな動作を捉える手法を提案する。 本手法は,マルチモーダル損失関数を用いて学習した複数の軌道とその確率を予測するLSTMアーキテクチャ上に構築される。 NBA追跡データ大きめの実験により,提案手法が最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2020-08-18T11:35:44Z)

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。