篮球追踪数据中的群体活动识别——团队运动中的神经嵌入（NETS）
机器学习
2022-09-02 v1
摘要
像许多团队运动一样，篮球涉及两组球员进行协作与对抗活动以赢得比赛。球员和球队执行各种复杂策略以获得对对手的优势。定义、识别和分析不同类型的活动是体育分析中的一项重要任务，因为它可带来球员和教练组更好的策略与决策。本文的目标是自动从代表比赛中球员和球位置的追踪数据中识别篮球群体活动。我们提出了一种用于团队运动中群体活动识别（GAR）的新型深度学习方法，称为 NETS。为高效建模团队运动中的球员关系，我们将基于 Transformer 的架构与 LSTM 嵌入以及团队级池化层相结合以识别群体活动。训练此类神经网络通常需要大量标注数据，这带来高标注成本。为解决人工标签稀缺问题，我们生成弱标签并在自监督轨迹预测任务上预训练神经网络。我们使用来自 632 场 NBA 比赛的大型追踪数据集来评估我们的方法。结果表明，NETS 能够以高准确率学习群体活动，且 NETS 中的自监督与弱监督训练对 GAR 准确率有正向影响。
引用
@article{arxiv.2209.00451,
title = {Group Activity Recognition in Basketball Tracking Data -- Neural Embeddings in Team Sports (NETS)},
author = {Sandro Hauri and Slobodan Vucetic},
journal= {arXiv preprint arXiv:2209.00451},
year = {2022}
}