論文の概要: EFPI: Elastic Formation and Position Identification in Football (Soccer) using Template Matching and Linear Assignment
- arxiv url: http://arxiv.org/abs/2506.23843v1
- Date: Mon, 30 Jun 2025 13:33:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-01 21:27:54.07948
- Title: EFPI: Elastic Formation and Position Identification in Football (Soccer) using Template Matching and Linear Assignment
- Title（参考訳）: EFPI:テンプレートマッチングと線形アサインメントを用いたサッカー(サッカー)における弾性形成と位置同定
- Authors: Joris Bekkers,
- Abstract要約: 本稿では,サッカー(サッカー)における選手位置の認識と配置のためのフレキシブルな手法を提案する。
提案手法では,一組のテンプレート内でのプレーヤの位置を最適にマッチングするために,線形和代入を用いる。
精度を向上させるため,これらの形成テンプレートの寸法を幅と長さの両方で一致させるために,実際のプレイヤー位置をスケールする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding team formations and player positioning is crucial for tactical analysis in football (soccer). This paper presents a flexible method for formation recognition and player position assignment in football using predefined static formation templates and cost minimization from spatiotemporal tracking data, called EFPI. Our approach employs linear sum assignment to optimally match players to positions within a set of template formations by minimizing the total distance between actual player locations and template positions, subsequently selecting the formation with the lowest assignment cost. To improve accuracy, we scale actual player positions to match the dimensions of these formation templates in both width and length. While the method functions effectively on individual frames, it extends naturally to larger game segments such as complete periods, possession sequences or specific intervals (e.g. 10 second intervals, 5 minute intervals etc.). Additionally, we incorporate an optional stability parameter that prevents unnecessary formation changes when assignment costs differ only marginally between time segments. EFPI is available as open-source code through the unravelsports Python package.
- Abstract（参考訳）: チーム形成と選手の配置を理解することは、サッカー(サッカー)における戦術的分析に不可欠である。
本稿では,事前定義された静的な形成テンプレートと,EFPIと呼ばれる時空間追跡データからのコスト最小化を用いて,サッカーにおける選手位置の認識と選手位置の割り当てを行うフレキシブルな手法を提案する。
提案手法では,実際のプレーヤ位置とテンプレート位置との距離を最小化し,最小の割り当てコストで構成を選択することにより,プレーヤをテンプレート形成位置に最適にマッチングする。
精度を向上させるために、我々は実際のプレイヤーの位置を、これらの形成テンプレートの寸法を幅と長さの両方で一致させるためにスケールする。
この方法は、個々のフレームで効果的に機能するが、完全周期、保持シーケンス、特定の間隔(例えば、第10秒間隔、第5分間隔など)などのより大きなゲームセグメントに自然に拡張する。
さらに、割り当てコストが時間セグメント間だけに差がある場合、不要な生成変化を防止するオプションの安定性パラメータを組み込む。
EFPIはUnravelsports Pythonパッケージを通じてオープンソースコードとして利用できる。
関連論文リスト
- Interpretable Low-Dimensional Modeling of Spatiotemporal Agent States for Decision Making in Football Tactics [0.9207076627649226]
ルールベースのモデルは専門家の知識と一致するが、すべての選手の状態を十分に考慮していない。
提案手法は,ボールホルダ電位受信機の両方に対する解釈可能な状態変数を定義する。
解析の結果,選手とボールの間の距離と選手の空間スコアが,パスを成功させる上で重要な要因であることが判明した。
論文 参考訳（メタデータ） (2025-06-20T02:37:52Z) - PESFormer: Boosting Macro- and Micro-expression Spotting with Direct Timestamp Encoding [19.006364251731753]
PESFormerは、ポイント・ツー・インターバル式スポッティングを実現するビジョン・トランスフォーマーアーキテクチャに基づくモデルである。
PESFormerは、アンカーを置き換えるために直接タイムスタンプ符号化(DTE)アプローチを採用し、各タイムスタンプのバイナリ分類を可能にする。
我々は、未編集のトレーニングビデオをゼロパディングして、一定期間の均一で長いビデオを作成する戦略を実装した。
論文 参考訳（メタデータ） (2024-10-24T12:45:25Z) - Pareto Low-Rank Adapters: Efficient Multi-Task Learning with Preferences [49.14535254003683]
本稿では,機械学習におけるマルチタスクトレードオフに対処するパラメータ効率の高い新しい手法PaLoRAを紹介する。
実験の結果、PaLoRAは様々なデータセットで最先端のMTLとPFLのベースラインを上回っていることがわかった。
論文 参考訳（メタデータ） (2024-07-10T21:25:51Z) - OT-VP: Optimal Transport-guided Visual Prompting for Test-Time Adaptation [8.425690424016986]
視覚変換器(ViT)は、表現の学習において顕著な能力を示したが、未知の領域に適用した場合、その性能は損なわれる。
我々のアプローチであるOT-VP(Optimal Transport-guided Test-Time Visual Prompting)は、テスト時の迅速な学習を活用して、ターゲットドメインとソースドメインの整合を図り、これらの問題に対処する。
OT-VPは、学習したプロンプトトークンが4つしかなく、3つのスタイリスティックデータセットで最先端のパフォーマンスを上回っている。
論文 参考訳（メタデータ） (2024-06-12T18:30:03Z) - E^2-LLM: Efficient and Extreme Length Extension of Large Language Models [74.1254067728251]
本稿では,E2-LLMと呼ばれる大規模言語モデルに対して,1つの訓練手順と劇的にコストを削減した効率的な拡張手法を提案する。
複数のベンチマークデータセットに対する総合的な実験結果から,E2-LLMが長文課題に対する有効性を示した。
論文 参考訳（メタデータ） (2024-01-13T02:11:20Z) - Adapting the Mean Teacher for keypoint-based lung registration under
geometric domain shifts [75.51482952586773]
ディープニューラルネットワークは一般的に、ラベル付きトレーニングデータが多く必要であり、トレーニングデータとテストデータの間のドメインシフトに弱い。
本稿では,ラベル付きソースからラベル付きターゲットドメインへのモデルの適用により,画像登録のための幾何学的領域適応手法を提案する。
本手法は,ベースラインモデルの精度を目標データに適合させながら,ベースラインモデルの50%/47%を継続的に改善する。
論文 参考訳（メタデータ） (2022-07-01T12:16:42Z) - SE(3)-Equivariant Attention Networks for Shape Reconstruction in
Function Space [50.14426188851305]
本稿では,第1のSE(3)-equivariant coordinate-based networkを提案する。
入力を正規格子に整列させる従来の形状再構成法とは対照的に、不規則で無向な点雲を直接操作する。
提案手法は,従来のSO(3)-equivariant法,およびSO(3)-augmented dataで訓練された非equivariant法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-04-05T17:59:15Z) - Predicting the outcome of team movements -- Player time series analysis
using fuzzy and deep methods for representation learning [0.0]
我々は、より拡張された一連の動きや戦術計画において、短い戦術と宇宙占領の有用なエンコーディングのためのフレームワークを提供する。
本稿では,2015-16シーズンのプロバスケットボールSportVUデータセットにおける予測・認識タスクに対する提案手法の有効性について検討する。
論文 参考訳（メタデータ） (2021-09-13T18:42:37Z) - Parameter-Efficient Transfer Learning with Diff Pruning [108.03864629388404]
diff pruningは、プリトレイン・ファインチューンフレームワーク内でパラメータ効率の高い転送学習を可能にするシンプルなアプローチです。
diff pruningで微調整されたモデルは、GLUEベンチマークで完全に微調整されたベースラインのパフォーマンスと一致します。
論文 参考訳（メタデータ） (2020-12-14T12:34:01Z) - Overcoming Catastrophic Forgetting via Direction-Constrained
Optimization [43.53836230865248]
連続的な学習フレームワークにおいて,分類ネットワークの固定アーキテクチャを用いてディープラーニングモデルを学習するための最適化アルゴリズムの新たな設計について検討する。
本稿では,方向制約付き最適化(DCO)法について述べる。各タスクに対して,対応する最上向きの主方向を近似する線形オートエンコーダを導入する。
我々のアルゴリズムは、他の最先端の正規化に基づく連続学習法と比較して好適に機能することを示した。
論文 参考訳（メタデータ） (2020-11-25T08:45:21Z)
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。