論文の概要: What Makes a Dribble Successful? Insights From 3D Pose Tracking Data

• arxiv url: http://arxiv.org/abs/2506.22503v1
• Date: Wed, 25 Jun 2025 15:01:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 21:27:53.427829
• Title: What Makes a Dribble Successful? Insights From 3D Pose Tracking Data
• Title（参考訳）: ドライブルはなぜ成功したのか? 3Dポッド追跡データからの洞察
• Authors: Michiel Schepers, Pieter Robberechts, Jan Van Haaren, Jesse Davis,
• Abstract要約: 本研究は、ポーズ追跡データを用いて、リブリングスキルの理解を深める方法について検討する。 2022/23チャンピオンズリーグシーズンの1,736個のドリブルから新しいポーズベースの特徴を抽出した。 以上の結果から,攻撃者のバランスを捉えた特徴と,攻撃者と防御者の向きの一致が,ドリブルの成功を予測する上で有益であることが示唆された。
• 参考スコア（独自算出の注目度）: 15.488712139146381
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data analysis plays an increasingly important role in soccer, offering new ways to evaluate individual and team performance. One specific application is the evaluation of dribbles: one-on-one situations where an attacker attempts to bypass a defender with the ball. While previous research has primarily relied on 2D positional tracking data, this fails to capture aspects like balance, orientation, and ball control, limiting the depth of current insights. This study explores how pose tracking data (capturing players' posture and movement in three dimensions) can improve our understanding of dribbling skills. We extract novel pose-based features from 1,736 dribbles in the 2022/23 Champions League season and evaluate their impact on dribble success. Our results indicate that features capturing the attacker's balance and the alignment of the orientation between the attacker and defender are informative for predicting dribble success. Incorporating these pose-based features on top of features derived from traditional 2D positional data leads to a measurable improvement in model performance.
• Abstract（参考訳）: データ分析はサッカーにおいてますます重要な役割を担い、個人とチームのパフォーマンスを評価する新しい方法を提供する。 特定の応用の1つはドリブルの評価である: 攻撃者がディフェンダーをボールでバイパスしようとする1対1の状況である。 これまでの研究は主に2D位置追跡データに依存してきたが、これはバランスや方向、ボールコントロールといった側面を捉えず、現在の洞察の深さを制限している。 本研究では、ポーズ追跡データ(プレイヤーの姿勢と動きを3次元で捉えた)がドリブルスキルの理解をいかに向上させるかを検討する。 我々は2022/23チャンピオンズリーグシーズンの1,736個のドリブルから新しいポーズベースの特徴を抽出し、ドリブルの成功への影響を評価する。 以上の結果から,攻撃者のバランスを捉えた特徴と,攻撃者と防御者の向きの一致が,ドリブルの成功を予測する上で有益であることが示唆された。 従来の2次元位置データから得られる特徴の上にこれらのポーズベースの特徴を組み込むことで、モデル性能が測定可能な改善をもたらす。

関連論文リスト

• Pressing Intensity: An Intuitive Measure for Pressing in Soccer [0.0]
  プレッシャー(英: Pressing)は、サッカーにおける基本的な防御戦略であり、ボール保有チームに対して、保持権を取り戻すための圧力を課すことが特徴である。 その重要性にもかかわらず、プレスを測定するための既存の指標は、位置データ、プレイヤーの動き、速度の正確さや包括的考慮を欠いていることが多い。 本研究では,スピアマンのピッチ制御モデルから得られる位置追跡データやコンポーネントの進歩を活用して,押圧強度を定量化するための革新的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-30T14:42:00Z)
• Expected Possession Value of Control and Duel Actions for Soccer Player's Skills Estimation [0.0]
  本稿では、広く使われているモデル、期待所有値(EPV)に複数の拡張を導入する。 撮影直前に発生する事象に、先行する出来事よりも重みを割り当てる(デカイ効果)。 本モデルでは, 減衰効果と有効演奏時間を考慮することにより, 保持リスクをより正確に評価する。
  論文  参考訳（メタデータ） (2024-06-02T17:29:42Z)
• Engineering Features to Improve Pass Prediction in Soccer Simulation 2D Games [0.0]
  サッカーシミュレーション2D(英: Soccer Simulation 2D)は、2次元の実際のサッカーゲームのシミュレーションである。 我々は,Deep Neural Networks (DNN) とRandom Forest (RF) を用いたサッカー2Dプレーヤーのパス動作のモデル化を試みた。 RoboCup 2019の6つのトップチームに対して、トレーニングされたモデルのパフォーマンスを評価する。
  論文  参考訳（メタデータ） (2024-01-07T08:01:25Z)
• Classifying Soccer Ball-on-Goal Position Through Kicker Shooting Action [1.3887779684720984]
  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。
  論文  参考訳（メタデータ） (2023-12-23T12:11:38Z)
• 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)
• Passing Heatmap Prediction Based on Transformer Model and Tracking Data [0.0]
  本研究では,パスの潜在的な終端位置を予測できる新しいディープラーニングネットワークアーキテクチャを提案する。 28,000回以上のイベントを解析すると、0.7以上のTop-1精度で堅牢な予測が達成される。 また、この予測に基づいて、ピッチコントロールとパスオプションをよりよく理解することで、選手のオフボール運動が防御性能に与える影響を測定することができる。
  論文  参考訳（メタデータ） (2023-09-04T11:14:22Z)
• AdvMono3D: Advanced Monocular 3D Object Detection with Depth-Aware Robust Adversarial Training [64.14759275211115]
  そこで本研究では,DART3Dと呼ばれるモノクル3次元物体検出のための,深度対応の頑健な対向学習法を提案する。 我々の敵の訓練アプローチは、本質的な不確実性に乗じて、敵の攻撃に対する堅牢性を大幅に向上させる。
  論文  参考訳（メタデータ） (2023-09-03T07:05:32Z)
• PoseTriplet: Co-evolving 3D Human Pose Estimation, Imitation, and Hallucination under Self-supervision [102.48681650013698]
  既存の自己監督型3次元ポーズ推定スキームは、学習を導くための弱い監督に大きく依存している。 そこで我々は,2D-3Dのポーズペアを明示的に生成し,監督を増強する,新しい自己監督手法を提案する。 これは、ポーズ推定器とポーズ幻覚器を併用して学習する強化学習ベースの模倣器を導入することで可能となる。
  論文  参考訳（メタデータ） (2022-03-29T14:45:53Z)
• Recovering 3D Human Mesh from Monocular Images: A Survey [49.00136388529404]
  単眼画像から人間のポーズと形状を推定することは、コンピュータビジョンにおける長年の問題である。 本調査は, 単分子型3次元メッシュ回収の課題に焦点を当てた。
  論文  参考訳（メタデータ） (2022-03-03T18:56:08Z)

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。