SoccerMap：一种用于足球可视可解释分析的深度学习方法
机器学习
2021-08-05 v1
摘要
我们提出一种全卷积神经网络架构，能够基于高频时空数据估计足球中潜在传球的完整概率曲面。该网络接收多层低级输入，并学习一个特征层次，在不同采样层级产生预测，捕捉粗粒与细粒空间细节。通过融合这些预测，我们可为任意比赛情形生成视觉丰富的概率曲面，使教练能对球员站位与决策进行细粒度分析，这是体育中尚少被探索的领域。我们展示该网络在传球成功概率估计上表现极佳，并呈现其如何轻松适配以处理另两个挑战性问题：传球选择可能性估计与传球期望价值预测。我们的方法为在真实结果与预测概率图之间仅存在单像素对应时学习完整预测曲面提供了新颖方案。该架构的灵活性使其可适配足球中大量实际问题。我们还展示一组实际应用，包括球员级传球风险评估、最佳潜在传球选项识别以及球队间传球倾向区分。
引用
@article{arxiv.2010.10202,
title = {SoccerMap: A Deep Learning Architecture for Visually-Interpretable Analysis in Soccer},
author = {Javier Fernández and Luke Bornn},
journal= {arXiv preprint arXiv:2010.10202},
year = {2021}
}
备注
16 pages, 6 figures, to be published in Lecture Notes in Computer Science, EMCL-PKDD 2020 conference proceedings, Applied Data Science Track