論文の概要: Automated Detection of Match Phases in Football from Spatio-Temporal Tracking Data Using Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2610.11571v1
• Date: Thu, 08 Oct 2026 09:27:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 11:59:33.74673
• Title: Automated Detection of Match Phases in Football from Spatio-Temporal Tracking Data Using Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークを用いた時空間追跡データからサッカーのマッチ位相の自動検出
• Abstract要約: 本稿では,グラフニューラルネットワーク(GNN)と逐次モデルを組み合わせて,位相を秒単位で分類するフレームワークを提案する。 マッチングフェーズの分類は戦術的に意味があり、203のマッチにまたがるルールベースのラベルが利用可能であることは、隣接構造とメッセージパス層を体系的に比較するのに適している。
• 参考スコア（独自算出の注目度）: 0.7933039558471408
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spatio-temporal tracking data has opened new possibilities for detecting complex tactical patterns in football, yet modeling the interactive movements of multiple players remains challenging. This paper proposes a framework combining graph neural networks (GNNs) with a sequential model to classify match phases on a second-by-second basis across a seven-class taxonomy. Match phase classification is tactically meaningful, and the availability of rule-based labels across 203 matches makes it a suitable testbed for a systematic comparison of adjacency constructions and message-passing layers, a question that has received limited attention in existing research. Our selected GNN-LSTM model outperforms all aggregated-feature baselines, including XGBoost and a Long Short-Term Memory (LSTM) network, as the strongest baseline scores 4.6% lower in macro F1. Graph representations using a domain-informed Delaunay triangulation that approximates passing lanes, paired with a custom Spatial Edge-Augmented Convolution (SEAConv) layer that injects edge attributes directly into messages, achieve the best performance by capturing spatial dependencies while limiting uninformative messages from redundant edges. Integrated Gradients attributions indicate the model uses spatial player configurations, particularly horizontal positioning, in combination with possession and ball-status indicators. This work offers an automated solution for fine-grained tactical analysis, reducing the need for manual tagging and providing deeper insight into dynamic team behavior.
• Abstract（参考訳）: 時空間追跡データにより、サッカーにおける複雑な戦術パターンを検出する新たな可能性が生まれたが、複数の選手の対話的な動きをモデル化することは依然として困難である。 本稿では,グラフニューラルネットワーク(GNN)と逐次モデルを組み合わせたフレームワークを提案する。 マッチングフェーズの分類は戦術的に意味があり、203試合にまたがるルールベースのラベルが利用可能であることは、既存の研究で限られた関心を集めてきた、隣接構造とメッセージパス層を体系的に比較するためのテストベッドとして適している。 我々の選択したGNN-LSTMモデルは、XGBoostやLong Short-Term Memory (LSTM) ネットワークなど、マクロF1において最強のベースラインスコアが4.6%下がったため、集約された機能ベースラインよりも優れている。 メッセージにエッジ属性を直接注入する独自のSpatial Edge-Augmented Convolution(SEAConv)レイヤと組み合わせた、パスレーンを近似したドメインインフォームのDelaunay三角測量を用いたグラフ表現は、冗長なエッジから不定形メッセージを制限しながら、空間依存性をキャプチャすることで、最高のパフォーマンスを達成する。 統合的なグラディエント属性は、モデルが空間的なプレイヤー構成、特に水平位置決めを所有とボール統計指標と組み合わせて使用することを示している。 この作業は、詳細な戦術分析のための自動化ソリューションを提供し、手動のタグ付けの必要性を減らし、動的なチームの振る舞いに関する深い洞察を提供する。

関連論文リスト

• Hierarchical Spatial-Temporal Graph-Enhanced Model for Map-Matching [24.19628261479691]
  HSTGMatchは、マップマッチング性能を向上させるために設計された新しいモデルである。 このモデルは、空間的関係を捉えるために適応軌道隣接グラフを構成する。 実験では、モデルの性能、モジュールの有効性、堅牢性を実証した。
  論文  参考訳（メタデータ） (2026-03-25T08:01:13Z)
• COVTrack++: Learning Open-Vocabulary Multi-Object Tracking from Continuous Videos via a Synergistic Paradigm [59.26203051651017]
  C-TAOはOpen-Vocabulary Multi-Object Tracking (OVMOT)のための最初の連続アノテーション付きトレーニングセットである フレームワークボトルネックに対するCOVTrack++は,3つのモジュールによる検出とアソシエーションの双方向相互機構を実現するための相乗的フレームワークである。 TAOの実験では、新しいTAAは検証とテストセットで35.4%、30.5%に達し、新しいAssocAは4.8%、新しいLocAは5.8%向上した。
  論文  参考訳（メタデータ） (2026-03-25T07:20:27Z)
• Multi-attention Associate Prediction Network for Visual Tracking [3.9628431811908533]
  分類回帰予測ネットワークは、いくつかの現代のディープトラッカーにおいて驚くべき成功を収めている。 分類と回帰タスクには固有の違いがあるため、特徴マッチングの要求にも反対の要求がある。 上記の問題に対処するために,マルチアテンションアソシエイト予測ネットワーク(MAPNet)を提案する。
  論文  参考訳（メタデータ） (2024-03-25T03:18:58Z)
• Network Intrusion Detection with Edge-Directed Graph Multi-Head Attention Networks [13.446986347747325]
  本稿では,ネットワーク侵入検出のためのエッジ指向グラフマルチヘッドアテンションネットワーク(EDGMAT)を提案する。 EDGMATモデルでは,侵入検知モデルにマルチヘッドアテンション機構を導入し,マルチヘッドアテンション機構とエッジ特徴を組み合わせた付加的な重み学習を実現する。
  論文  参考訳（メタデータ） (2023-10-26T12:30:11Z)
• Network Level Spatial Temporal Traffic State Forecasting with Hierarchical-Attention-LSTM (HierAttnLSTM) [0.0]
  本稿では,オープンベンチマークにホストされたPeMS(Caltrans Performance Measurement System)から,多様なトラフィック状態データセットを活用する。 我々は,低レベルから高レベルLong Short-Term Memory (LSTM) ネットワーク間のセルおよび隠れ状態とアテンションプーリング機構を統合した。 構築された階層構造は、ネットワークレベルのトラフィック状態の空間的時間的相関をキャプチャして、異なる時間スケールにまたがる依存関係を考慮に入れられるように設計されている。
  論文  参考訳（メタデータ） (2022-01-15T05:25:03Z)
• MFGNet: Dynamic Modality-Aware Filter Generation for RGB-T Tracking [72.65494220685525]
  可視データと熱データ間のメッセージ通信を促進するために,新しい動的モダリティ対応フィルタ生成モジュール(MFGNet)を提案する。 我々は、2つの独立ネットワークを持つ動的モダリティ対応フィルタを生成し、その可視フィルタとサーマルフィルタをそれぞれ、対応する入力特徴写像上で動的畳み込み演算を行う。 重閉塞,高速移動,外見による問題に対処するため,新たな方向認識型目標誘導型アテンション機構を活用することで,共同で局所的・グローバル検索を行うことを提案する。
  論文  参考訳（メタデータ） (2021-07-22T03:10:51Z)
• Adaptive Linear Span Network for Object Skeleton Detection [56.78705071830965]
  本研究では,適応線形スパンネットワーク(AdaLSN)を提案する。 AdaLSNは、精度とレイテンシのトレードオフを著しく高めることで、その汎用性を裏付ける。 また、エッジ検出や道路抽出といったイメージ・ツー・マスクのタスクに適用可能であることも示している。
  論文  参考訳（メタデータ） (2020-11-08T12:51:14Z)
• Learning Spatio-Appearance Memory Network for High-Performance Visual Tracking [79.80401607146987]
  既存のオブジェクトトラッキングは通常、フレーム間の視覚的ターゲットにマッチするバウンディングボックスベースのテンプレートを学習する。 本稿では,局所時間メモリネットワークを備え,正確な時空間対応を学習するセグメンテーションに基づくトラッキングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-09-21T08:12:02Z)
• Jointly Cross- and Self-Modal Graph Attention Network for Query-Based Moment Localization [77.21951145754065]
  本稿では,共同グラフを渡る反復的メッセージのプロセスとして,このタスクをリキャストするクロスモーダルグラフ注意ネットワーク(CSMGAN)を提案する。 CSMGANは2つのモード間の高次相互作用を効果的に捉えることができ、より正確な局所化を可能にします。
  論文  参考訳（メタデータ） (2020-08-04T08:25:24Z)
• High-Order Information Matters: Learning Relation and Topology for Occluded Person Re-Identification [84.43394420267794]
  本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。 我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-03-18T12:18:35Z)

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。