HoopTransformer:通过从球员轨迹的自我监督学习来推进NBA进攻性比赛识别
Xing Wang1, Zitian Tang2,3, Jianchong Shao2
1Facultad de Ciencias de la Actividad Física y del Deporte, Universidad Politécnica de Madrid, Madrid, Spain. xing.w@alumnos.upm.es.
Sports medicine (Auckland, N.Z.)
|May 30, 2024
概括
这项研究介绍了一种使用自主监督学习自动识别篮球进攻比赛的AI模型. 该模型在分类和相似性搜索任务中实现了高精度,证明了其在理解玩家移动方面的有效性.
科学领域:
- 人工智能的人工智能
- 机器学习 机器学习
- 运动分析 运动分析
背景情况:
- 由于球员互动的复杂性,识别篮球进攻的比赛是复杂的.
- 现有的方法难以自动识别这些戏剧.
研究的目的:
- 提出一种人工智能 (AI) 模型,用于自动识别篮球进攻性比赛.
- 为此任务使用一种新的自我监督学习方法.
主要方法:
- 使用了来自2015-2016赛季的90,524个NBA财产的数据集.
- 开发了一种基于轴注意力变压器的多代理运动预测模型.
- 接受了运动预测 (MP),运动重建 (MR) 和联合MP + MR策略的培训.
主要成果:
- MP + MR联合掩盖策略的表现优于单个策略.
- 在游戏分类中实现了81.5%的top-1精度和97.5%的top-3精度.
- 在相似性搜索中达到76%的前5名和59%的前10名准确度.
结论:
- 自主监督学习模型有效地理解玩家的运动和互动.
- 在准确识别复杂的进攻性戏剧方面表现出潜力.
- 这款HoopTransformer模型在基线上表现出了卓越的性能.
