論文の概要: Simulating Tracking Data to Advance Sports Analytics Research

• arxiv url: http://arxiv.org/abs/2503.19809v1
• Date: Tue, 25 Mar 2025 16:18:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-26 19:42:58.925929
• Title: Simulating Tracking Data to Advance Sports Analytics Research
• Title（参考訳）: スポーツ分析研究の発展に向けた追跡データのシミュレーション
• Authors: David Radke, Kyle Tilbury,
• Abstract要約: 本稿では,Google Research Football環境からシミュレーションサッカー追跡データを収集し,活用する手法を提案する。 シミュレーションデータから高レベルの特徴やイベントを抽出するプロセスを提供する。 我々は、人工知能とスポーツ分析の交差点での研究を支援するために、公開されている追跡データの不足に対処する。
• 参考スコア（独自算出の注目度）: 4.811183825795439
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Advanced analytics have transformed how sports teams operate, particularly in episodic sports like baseball. Their impact on continuous invasion sports, such as soccer and ice hockey, has been limited due to increased game complexity and restricted access to high-resolution game tracking data. In this demo, we present a method to collect and utilize simulated soccer tracking data from the Google Research Football environment to support the development of models designed for continuous tracking data. The data is stored in a schema that is representative of real tracking data and we provide processes that extract high-level features and events. We include examples of established tracking data models to showcase the efficacy of the simulated data. We address the scarcity of publicly available tracking data, providing support for research at the intersection of artificial intelligence and sports analytics.
• Abstract（参考訳）: 高度な分析は、特に野球のような壮大なスポーツにおいて、スポーツチームの活動の仕方を変えてきた。 サッカーやアイスホッケーのような継続的侵略スポーツに対する彼らの影響は、ゲームの複雑さが増大し、高解像度のゲーム追跡データへのアクセスが制限されたために制限されている。 本稿では,Google Research Football環境からシミュレーションされたサッカー追跡データを収集・活用し,連続的な追跡データのためのモデルの開発を支援する方法を提案する。 データは実際の追跡データを表すスキーマに格納され、高レベルの特徴やイベントを抽出するプロセスを提供します。 シミュレーションデータの有効性を示すために,確立された追跡データモデルの例を含む。 我々は、人工知能とスポーツ分析の交差点での研究を支援するために、公開されている追跡データの不足に対処する。

関連論文リスト

• Action Anticipation from SoccerNet Football Video Broadcasts [84.87912817065506]
  フットボール放送ビデオのアクション予測タスクについて紹介する。 我々は、5秒または10秒の予測ウィンドウ内で、観測されていない将来のフレームにおける将来の動作を予測する。 我々の研究は、自動放送、戦術分析、プレイヤーの意思決定における応用を可能にします。
  論文  参考訳（メタデータ） (2025-04-16T12:24:33Z)
• SoccerSynth Field: enhancing field detection with synthetic data from virtual soccer simulator [0.8009842832476994]
  サッカー場検出のための合成データセット(Soccer Synth-Field)の有効性を提案する。 合成サッカー場データセットはモデルを事前訓練するために作成され、これらのモデルの性能は実世界のデータセットで訓練されたモデルと比較された。
  論文  参考訳（メタデータ） (2025-03-18T07:05:24Z)
• OpenSTARLab: Open Approach for Spatio-Temporal Agent Data Analysis in Soccer [0.9207076627649226]
  スポーツアナリティクスは、より専門的で洗練されたものになり、詳細なパフォーマンスデータが利用できるようになった。 サッカーでは、イベントと追跡データの効果的な利用は、ゲームのダイナミクスを捕捉し分析するための基本となる。 本稿では,スポーツにおける時間的エージェントデータ分析の民主化を目的としたオープンソースフレームワークであるOpenSTARLabを提案する。
  論文  参考訳（メタデータ） (2025-02-05T00:14:18Z)
• SoccerSynth-Detection: A Synthetic Dataset for Soccer Player Detection [0.7332146059733189]
  Soccer Synth-Detectionは、合成サッカー選手を検出するために設計された最初の合成データセットである。 広い範囲のランダムな照明やテクスチャ、シミュレートされたカメラモーションのぼかしなどが含まれる。 本研究は,サッカービデオ解析の分野でのアルゴリズム学習において,実際のデータセットを置き換える合成データセットの可能性を示すものである。
  論文  参考訳（メタデータ） (2025-01-16T04:06:59Z)
• Any-point Trajectory Modeling for Policy Learning [64.23861308947852]
  我々は、ビデオフレーム内の任意の点の将来の軌跡を予測するために、ATM(Any-point Trajectory Modeling)を導入する。 ATMは、強力なビデオ事前トレーニングベースラインを平均80%上回っている。 本研究では,人間の動画やビデオからの操作スキルを,異なるロボット形態から効果的に伝達する学習方法を示す。
  論文  参考訳（メタデータ） (2023-12-28T23:34:43Z)
• Hang-Time HAR: A Benchmark Dataset for Basketball Activity Recognition using Wrist-Worn Inertial Sensors [47.33629411771497]
  本稿では,手首に装着したセンサから身体活動認識手法を評価するためのベンチマークデータセットを提案する。 データセットは、米国とドイツの2つのチームで記録され、計24人のプレーヤーが手首に慣性センサーを装着した。
  論文  参考訳（メタデータ） (2023-05-22T15:25:29Z)
• Multi-Environment Pretraining Enables Transfer to Action Limited Datasets [129.24823721649028]
  強化学習では、意思決定の利用可能なデータは、アクションに注釈を付けないことが多い。 そこで本研究では,Emphtarget環境と他のさまざまなEmphsource環境の完全注釈付きデータセットを組み合わせることを提案する。 IDMプレトレーニング中に、さらに1つの連続ラベル付きデータの環境データセットを利用することで、アノテーションのないシーケンスに対するアクションラベルの生成が大幅に改善されることが示される。
  論文  参考訳（メタデータ） (2022-11-23T22:48:22Z)
• Large Scale Real-World Multi-Person Tracking [68.27438015329807]
  本稿では,新しい大規模多人数追跡データセットであるtexttPersonPath22を提案する。 MOT17、HiEve、MOT20などの高品質なマルチオブジェクト追跡データセットよりも桁違いに大きい。
  論文  参考訳（メタデータ） (2022-11-03T23:03:13Z)
• 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)
• Optical tracking in team sports [0.0]
  入力データを作成する過程について、定量的データアナリストに基本的な理解を提供する。 本稿では,トラッキングの事前処理手順,この領域における最も一般的な課題,およびスポーツチームへのデータ追跡の適用について論じる。
  論文  参考訳（メタデータ） (2022-04-08T15:51:35Z)
• Unified Transformer Tracker for Object Tracking [58.65901124158068]
  異なるシナリオにおけるトラッキング問題に1つのパラダイムで対処するために,UTT(Unified Transformer Tracker)を提案する。 SOT(Single Object Tracking)とMOT(Multiple Object Tracking)の両方を対象とするトラックトランスフォーマーを開発した。
  論文  参考訳（メタデータ） (2022-03-29T01:38:49Z)
• 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)
• Group Activity Detection from Trajectory and Video Data in Soccer [16.134402513773463]
  サッカーにおけるグループアクティビティ検出は、ビデオデータまたはプレーヤとボールの軌跡データを用いて行うことができる。 現在のサッカーデータセットでは、活動は時間なしで原子イベントとしてラベル付けされる。 その結果,ほとんどの事象は,時間分解能が0.5秒未満の視力や軌跡に基づくアプローチで検出できることがわかった。
  論文  参考訳（メタデータ） (2020-04-21T21:11:30Z)

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。