論文の概要: Contextual Sprint Classification in Soccer Based on Deep Learning

• arxiv url: http://arxiv.org/abs/2406.15659v1
• Date: Fri, 21 Jun 2024 21:33:51 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-25 21:14:22.382235
• Title: Contextual Sprint Classification in Soccer Based on Deep Learning
• Title（参考訳）: 深層学習に基づくサッカーにおけるコンテキストスプリント分類
• Authors: Hyunsung Kim, Gun-Hee Joe, Jinsung Yoon, Sang-Ki Ko,
• Abstract要約: 本稿では,サッカーにおけるスプリントを自動的に文脈カテゴリーに分類するためのディープラーニングフレームワークを提案する。 実験結果から,テストデータセットのスプリントを,77.65%の精度で15カテゴリに分類した。
• 参考スコア（独自算出の注目度）: 14.903912366772571
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The analysis of high-intensity runs (or sprints) in soccer has long been a topic of interest for sports science researchers and practitioners. In particular, recent studies suggested contextualizing sprints based on their tactical purposes to better understand the physical-tactical requirements of modern match-play. However, they have a limitation in scalability, as human experts have to manually classify hundreds of sprints for every match. To address this challenge, this paper proposes a deep learning framework for automatically classifying sprints in soccer into contextual categories. The proposed model covers the permutation-invariant and sequential nature of multi-agent trajectories in soccer by deploying Set Transformers and a bidirectional GRU. We train the model with category labels made through the collaboration of human annotators and a rule-based classifier. Experimental results show that our model classifies sprints in the test dataset into 15 categories with the accuracy of 77.65%, implying the potential of the proposed framework for facilitating the integrated analysis of soccer sprints at scale.
• Abstract（参考訳）: サッカーにおける高強度ランニング(あるいはスプリント)の分析は、スポーツ科学研究者や実践家にとって長年の関心事である。 特に、最近の研究では、現代のマッチプレイの物理的な戦術的要求をよりよく理解するために、その戦術的目的に基づいてスプリントを文脈化することを提案している。 しかしながら、それらにはスケーラビリティの制限がある。人間の専門家は、マッチ毎に数百のスプリントを手動で分類しなければならないからだ。 この課題に対処するために,サッカーにおけるスプリントを自動的に文脈カテゴリーに分類するディープラーニングフレームワークを提案する。 提案モデルでは, セットトランスフォーマと双方向GRUを配置することにより, サッカーにおけるマルチエージェントトラジェクトリの置換不変性とシーケンシャル特性を網羅する。 我々は、人間のアノテーションとルールベースの分類器の協調によって作成されたカテゴリラベルを用いてモデルを訓練する。 実験結果から,テストデータセットのスプリントを77.65%の精度で15カテゴリに分類し,サッカーのスプリントを大規模に分析するためのフレームワークの可能性を示した。

関連論文リスト

• Predicting soccer matches with complex networks and machine learning [0.0]
  本研究の目的は,サッカーの試合結果を予測するための代替ツールとして,複雑なネットワークを利用することである。 通過ネットワークに基づくモデルは、一般的なマッチング統計を用いた従来のモデルと同じくらい効果的であった。
  論文  参考訳（メタデータ） (2024-09-19T21:45:25Z)
• FightLadder: A Benchmark for Competitive Multi-Agent Reinforcement Learning [25.857375787748715]
  我々は、リアルタイムの格闘ゲームプラットフォームであるFightLadderを紹介し、競争力のあるMARL研究を促進する。 競争ゲームのための最先端のMARLアルゴリズムの実装と評価指標のセットを提供する。 シングルプレイヤーモードで12文字を連続的に打ち破る汎用エージェントを訓練することにより,このプラットフォームの実現可能性を示す。
  論文  参考訳（メタデータ） (2024-06-04T08:04:23Z)
• Textual Knowledge Matters: Cross-Modality Co-Teaching for Generalized Visual Class Discovery [69.91441987063307]
  Generalized Category Discovery (GCD)は、既知のカテゴリと未知のカテゴリの両方からラベルのないデータをクラスタすることを目的としている。 現在のGCD法は、新しい視覚カテゴリーを発見する際に、人間の認知過程の多様性知覚性を無視する視覚的手がかりのみに依存している。 マルチモーダルなGCDを実現するための2段階のTextGCDフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-12T07:06:50Z)
• 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)
• Group Activity Recognition in Basketball Tracking Data -- Neural Embeddings in Team Sports (NETS) [10.259254824702554]
  チームスポーツにおけるグループ活動認識(GAR)のための新しい深層学習手法である.NETSを提案する。 NBAの632試合の大規模追跡データを用いて,そのアプローチを評価した。 以上の結果から,NETS はグループ活動の学習を高い精度で行うことができ,自己指導と弱監督の訓練が GAR の精度に肯定的な影響を与えることが示唆された。
  論文  参考訳（メタデータ） (2022-08-31T01:22:38Z)
• SoccerNet-Tracking: Multiple Object Tracking Dataset and Benchmark in Soccer Videos [62.686484228479095]
  本稿では,各30の200列からなる複数物体追跡のための新しいデータセットを提案する。 データセットは、バウンディングボックスとトラックレットIDで完全に注釈付けされている。 分析の結果,サッカービデオにおける複数の選手,審判,ボール追跡が解決されるには程遠いことがわかった。
  論文  参考訳（メタデータ） (2022-04-14T12:22:12Z)
• Is it worth the effort? Understanding and contextualizing physical metrics in soccer [1.2205797997133396]
  このフレームワークは、サッカーの物理的側面と技術的戦術的側面の関連について深い洞察を与える。 トップダウンアプローチのおかげで、物理パフォーマンスとバリュー生成を関連付けることができます。
  論文  参考訳（メタデータ） (2022-04-05T16:14:40Z)
• Partner-Assisted Learning for Few-Shot Image Classification [54.66864961784989]
  人間の視覚能力を模倣し、徹底的な人間のアノテーションを必要とせずに効果的なモデルを学ぶために、わずかなショットラーニングが研究されている。 本稿では,新しいクラスのプロトタイプをラベル付きサンプルから推定できるように,要素表現を得るためのトレーニング戦略の設計に焦点をあてる。 本稿では,まずパートナーエンコーダのペアワイド類似性をモデル化し,ソフトアンカーとして機能する特徴を抽出し,その出力をソフトアンカーと整列させ,分類性能を最大化しようとする2段階トレーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-09-15T22:46:19Z)
• From Motor Control to Team Play in Simulated Humanoid Football [56.86144022071756]
  我々は、現実的な仮想環境でサッカーをするために、物理的にシミュレートされたヒューマノイドアバターのチームを訓練する。 一連の段階において、プレイヤーはまず、現実的な人間のような動きを実行するために、完全に関節化された身体を制御することを学習する。 その後、ドリブルやシューティングといった中級のサッカーのスキルを身につける。 最後に、彼らは他の人を意識し、チームとしてプレーし、ミリ秒のタイムスケールで低レベルのモーターコントロールのギャップを埋める。
  論文  参考訳（メタデータ） (2021-05-25T20:17:10Z)
• Dynamic Semantic Matching and Aggregation Network for Few-shot Intent Detection [69.2370349274216]
  利用可能な注釈付き発話が不足しているため、インテント検出は困難である。 セマンティック成分はマルチヘッド自己認識によって発話から蒸留される。 本手法はラベル付きインスタンスとラベルなしインスタンスの両方の表現を強化するための総合的なマッチング手段を提供する。
  論文  参考訳（メタデータ） (2020-10-06T05:16:38Z)
• 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)

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。