CN113811898A - 用于运动中内容和风格预测的系统和方法 - Google Patents
用于运动中内容和风格预测的系统和方法 Download PDFInfo
- Publication number
- CN113811898A CN113811898A CN202080034452.5A CN202080034452A CN113811898A CN 113811898 A CN113811898 A CN 113811898A CN 202080034452 A CN202080034452 A CN 202080034452A CN 113811898 A CN113811898 A CN 113811898A
- Authority
- CN
- China
- Prior art keywords
- target
- team
- game
- generating
- variants
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
- A63B24/0003—Analysing the course of a movement or motion sequences during an exercise or trainings sequence, e.g. swing for golf or tennis
- A63B24/0006—Computerised comparison for qualitative assessment of motion sequences or the course of a movement
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
- A63B24/0021—Tracking a path or terminating locations
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
- A63B24/0087—Electric or electronic controls for exercising apparatus of groups A63B21/00 - A63B23/00, e.g. controlling load
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
- A63B24/0003—Analysing the course of a movement or motion sequences during an exercise or trainings sequence, e.g. swing for golf or tennis
- A63B24/0006—Computerised comparison for qualitative assessment of motion sequences or the course of a movement
- A63B2024/0009—Computerised real time comparison with previous movements or motion sequences of the user
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
- A63B24/0021—Tracking a path or terminating locations
- A63B2024/0025—Tracking the path or location of one or more users, e.g. players of a game
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
- A63B24/0021—Tracking a path or terminating locations
- A63B2024/0028—Tracking the path of an object, e.g. a ball inside a soccer pitch
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Abstract
本文公开了一种用于为球队生成比赛预测的系统和方法。计算系统从数据储存器中检索多个比赛的轨迹数据。计算系统使用变分自动编码器和神经网络通过下述操作来生成预测模型:生成一个或更多个输入数据集,由变分自动编码器学习从而为多个比赛中的每个比赛生成多个变体,并且通过神经网络学习与多个比赛中的每个比赛对应的球队风格。计算系统接收对应于目标比赛的轨迹数据。预测模型通过确定与目标球队的目标球队身份相对应的多个目标变体来生成目标球队执行目标比赛的可能性。
Description
技术领域
本公开总体上涉及用于在运动中生成内容和风格预测的系统和方法。
背景技术
当球员所做的只是在左边踢球时,预测只打过区域比赛的球员将如何在一对一的比赛中比赛或预测球员如何在右翼踢球?预测之前没有面对高压的球队将如何对抗高压?球队将如何应对未知的情况?这些是推动运动分析的问题的类型。回答这些问题的挑战在于拥有正确的种类和足够数量的数据,以及用于进行此类预测的正确训练的算法。
发明内容
本文公开的实施例总体上涉及一种用于在运动中生成内容和风格预测的系统和方法。在一个实施例中,本文公开了一种为球队生成比赛预测的方法。用于来自数据储存器的多个比赛的计算系统轨迹数据。计算系统使用变分自动编码器和神经网络通过下述操作来生成预测模型:生成一个或更多个输入数据集,由变分自动编码器学习从而为多个比赛中的每个比赛生成多个变体,并且通过神经网络学习与多个比赛中的每个比赛对应的球队风格。每个输入数据集包括用于多个比赛中的每个比赛的跟踪信息。每个变体包括与其对应的轨迹信息。计算系统接收对应于目标比赛的轨迹数据。预测模型通过确定与目标球队的目标球队身份相对应的多个目标变体来生成执行目标比赛的目标球队的可能性。
在另一个实施例中,本文公开了一种用于为球队生成比赛预测的系统。系统包括处理器和存储器。存储器上存储有编程指令,当由处理器执行该编程指令时,执行一个或更多个操作。一个或更多个操作包括从数据储存器检索多个比赛的轨迹数据。一个或更多个操作进一步包括使用变分自动编码器和神经网络通过下述操作来生成预测模型:生成一个或更多个输入数据集,由变分自动编码器学习从而为多个比赛中的每个比赛生成多个变体,以及通过神经网络学习与多个比赛中的每个比赛对应的球队风格。每个输入数据集包括多个比赛中的比赛的跟踪信息。每个变体包括与其对应的轨迹信息。一个或更多个操作进一步包括接收对应于目标比赛的事件数据。事件数据包括用于目标比赛的轨迹数据。一个或更多个操作进一步包括经由预测模型通过确定与目标球队的目标球队身份相对应的目标变体的数量来生成执行目标比赛的目标球队的可能性。
在另一个实施例中,本文公开了一种非暂时性计算机可读介质。非暂时性计算机可读介质包括一个或更多个指令序列,当由一个或更多个处理器执行该一个或更多个指令序列时,这些指令序列引起一个或更多个操作。一个或更多个操作包括从数据储存器检索用于多个比赛的轨迹数据。一个或更多个操作进一步包括使用变分自动编码器和神经网络通过下述操作来生成预测模型:生成一个或更多个输入数据集,由变分自动编码器学习从而为多个比赛中的每个比赛生成多个变体,以及通过神经网络学习与多个比赛中的每个比赛对应的球队风格。每个输入数据集包括多个比赛中的比赛的跟踪信息。每个变体包括与其对应的轨迹信息。一个或更多个操作进一步包括接收对应于目标比赛的轨迹数据。一个或更多个操作进一步包括经由预测模型通过确定与目标球队的目标球队身份相对应的目标变体的数量来生成执行目标比赛的目标球队的可能性。
附图说明
为了能够详细地理解本公开的上述特征的方式,可以通过参考实施例对以上简要概括的本公开进行更具体的描述,附图中示出了一些实施例。然而,应注意的是,附图仅示出了本公开的典型实施例,因此不应被视为对其范围的限制,因为本公开可允许其他同等有效的实施例。
图1是示出根据示例实施例的计算环境的框图。
图2是示出根据示例实施例的变分自动编码器的结构的框图。
图3是示出根据示例实施例的神经网络的结构的框图。
图4是示出根据示例实施例的生成完全训练的预测模型的方法的流程图。
图5是示出根据示例实施例的使用完全训练的模型生成球队预测的方法的流程图。
图6A是示出根据示例实施例的输入比赛及其变体的一个或更多个图形表示的框图。
图6B是根据示例实施例的表示一个或更多个图形表示的框图。
图6C是根据示例实施例的表示一个或更多个图形表示的框图。
图7是示出根据示例实施例的球队相似度矩阵的框图。
图8A是示出根据示例实施例的计算设备的框图。
图8B是示出根据示例实施例的计算设备的框图。
为了便于理解,在可能的情况下使用了相同的附图标记来指定附图共有的相同元素。预期在一个实施例中公开的元素可以有益地用于其他的实施例而无需具体的叙述。
具体实施方式
离散运动(例如棒球)由粗略的基于事件的描述符(例如球、打球、击球和出局)明确定义。这些事件的更具体的变体,例如玩“游击手”,可以是离散的、标注的、计数的以及分析的。此外,这些标注的自然的离散层次意味着也很容易捕获比赛之间的关系。因此,所有可能事件的集合可能是有限的、定义明确的,并且(相对地)较小。因此,回答与球队在情境中的行为方式相关的问题的任务变成了查找或检索类似示例的问题。
相比之下,连续运动,例如篮球和足球,不能单独用事件来描述。为了描述比赛,通常使用跟踪数据。然而,基于跟踪的描述受到维度灾难的影响。例如,在足球中,15秒的跟踪序列可能包含近3500个自由度(例如,15秒×10帧每秒×2个空间维度×每个球队的11个球员×2个球队)。由于每个自由度(例如,对应于球场(即,场地)上的坐标)是连续变量,因此比赛之间的潜在可变性可能很大,并且任意两个球员都可能彼此远离。即使具有数十个联赛和数十年比赛的跟踪数据,也可能永远不会有足够的数据,因为许多情景和场景的集合可能过于多样化。
在足球世界中,此类问题变得更加复杂,在足球世界中来自不同联赛的两个球队可能很少或可能永远不会互相比赛。这意味着,在冠军联赛等重大赛事中,可能会有很多首次交锋。因此,仅仅查找类似的情况对于所述任务来说是不够的。
本文公开的一种或更多种技术通过使用生成模型和神经网络解决了传统系统的局限性。本文公开的生成模型为系统提供了创建并因此理解复杂的、连续的以及对抗性运动(例如足球、篮球,等等)的能力。例如,本文公开的生成模型允许系统合成任意比赛的许多(例如,无限地)许多变体,这可以解锁更好地理解如何执行比赛。本文公开的神经网络允许系统识别与每个比赛及其每个变体相关联的球队。通过结合生成模型和神经网络,系统能够将比赛内容与比赛风格解开。此类解开可以允许人们了解球队之间在每个球队的比赛类型以及每个球队执行它们的风格和细微差别方面的相似性。
图1是示出根据示例实施例的计算环境100的框图。计算环境100可以包括跟踪系统102、组织计算系统104以及一个或更多个经由网络105通信的客户端设备108。
网络105可以是任意合适的类型,类型包括经由因特网的单独连接,例如蜂窝或Wi-Fi网络。在一些实施例中,网络105可以使用直接连接来连接终端、服务器以及移动设备,例如射频识别(radio frequency identification,RFID)、近场通信(near-fieldcommunication,NFC)、蓝牙TM、低功耗蓝牙TM(low-energy BluetoothTM,BLE)、Wi-FiTM、ZigBeeTM、环境反向散射通信(ambient backscatter communication,ABC)协议、USB、WAN或LAN。由于传输的信息可能是个人的或机密的,安全问题可能要求加密或以其他方式保护这些连接类型中的一种或更多种连接类型。然而,在一些实施例中,被传输的信息可能不太个人化,因此,为了方便而不是安全,可以选择网络连接。
网络105可以包括用于交换数据或信息的任意类型的计算机网络布置。例如,网络105可以是因特网、专用数据网络、使用公共网络和/或其他合适的连接的虚拟专用网络,该虚拟专用网络使计算环境100中的组件能够在计算环境100的组件之间发送和接收信息。
跟踪系统102可以位于场地106中。例如,场地106可以被配置为举办包括一个或更多个智能体112的运动事件。跟踪系统102可以被配置为记录比赛场地上所有智能体(即,球员)的动作,以及一个或更多个其他相关物体(例如,球、裁判,等等)。在一些实施例中,跟踪系统102可以是使用例如多个固定相机的基于光学的系统。例如,可以使用由六个固定的、校准的相机组成的系统,该系统将球员和球的三维位置投影到球场的二维俯视图上。在一些实施例中,跟踪系统102可以是基于无线电的系统,例如,使用由球员穿戴或嵌入要跟踪的对象中的射频识别(radio frequency identification,RFID)标签。通常,跟踪系统102可以被配置为以高帧率(例如,25Hz)采样和记录。跟踪系统102可以被配置为针对比赛项目文件110的每一帧为在比赛表面上的所有智能体和对象存储至少球员身份和位置信息(例如,(x,y)位置)。
比赛项目文件110可以用与事件数据相对应的其他事件信息来扩充,例如但不限于,比赛事件信息(比赛、处理、控球,等等)和上下文信息(当前得分、剩余时间,等等)。
跟踪系统102可以被配置为经由网络105与组织计算系统104通信。组织计算系统104可以被配置为管理和分析由跟踪系统102捕获的数据。组织计算系统104可以包括至少网络客户端应用服务器114、预处理智能体116、数据储存器118和球队预测智能体120。预处理智能体116和球队预测智能体120中的每一个都可以包括一个或更多个软件模块。一个或更多个软件模块可以是储存在介质(例如,组织计算系统104的存储器)上的代码或指令的集合,该集合代表实现一个或更多个算法步骤的一系列机器指令(例如,程序代码)。此类机器指令可以是组织计算系统104的处理器解释以实现指令的实际计算机代码,或者,可替代地,可以是被解释以获得实际计算机代码的指令的更高级别的代码。一个或更多个软件模块还可包括一个或更多个硬件组件。示例算法的一个或更多个方面可由硬件组件(例如,电路)本身执行,而不是作为指令的结果。
数据储存器118可以被配置为储存一个或更多个比赛项目文件124。每个比赛项目文件124可以包括空间事件数据和非空间事件数据。例如,空间事件数据可以对应于由跟踪系统102从特定比赛或事件中捕获的原始数据。非空间事件数据可以对应于描述在特定比赛中发生的事件的一个或更多个变量,没有相关联的空间信息。例如,非空间事件数据可以包括每个比赛的逐个比赛信息。在一些实施例中,非空间事件数据可以从空间事件数据导出。例如,预处理智能体116可以被配置为解析空间事件数据以导出逐个比赛信息。在一些实施例中,非空间事件数据可以独立于空间事件数据被导出。例如,与组织计算系统相关联的管理员或实体可以分析每个比赛以生成此类非空间事件数据。因此,出于本申请的目的,事件数据可以对应于空间事件数据和非空间事件数据。
预处理智能体116可以被配置为处理从数据储存器118检索到的数据。例如,预处理智能体116可以被配置为生成一组或更多组信息,这些信息可以用于训练一个或更多个与球队预测智能体120相关联的预测模型。预处理智能体116可以扫描储存在数据储存器118中的一个或更多个比赛项目文件中的每一个比赛项目文件,以识别对应于每个球员的一个或更多个度量。例如,预处理智能体116可以扫描数据储存器118中的一个或更多个比赛项目文件中的每一个比赛项目文件,以识别每个比赛中的一个或更多个比赛,并且识别与每个比赛相关联的事件和跟踪数据。跟踪数据可以包括参与比赛的每个球员的轨迹。事件数据可以包括关于控球、比赛风格、球队身份,等等的信息。
球队预测智能体120可以被配置为生成球队是否可能执行比赛或给定比赛的变体的预测。例如,球队预测智能体120可以被配置为分析对应于给定比赛的跟踪数据和事件数据,生成每个比赛的一个或更多个变体,并且确定球队执行比赛的每个变体的可能性。特别地,球队预测智能体120的目标可以是识别给定比赛的“风格”和“内容”。给定比赛的内容可以被称为比赛的“什么”,与球队如何执行比赛的具体细节无关。相比之下,风格可以被称为比赛的“如何”,其捕获了给定比赛可能涉及的各种方式。
球队预测智能体120可以包括变分自动编码器126和神经网络128。变分自动编码器126可以被配置为生成给定比赛的一个或更多个变体。例如,变分自动编码器126是生成模型,生成模型被配置为接收输入比赛,然后生成该比赛的任意数量的变体。通常地,变分自动编码器126能够生成单个比赛的无限多个变体。因此,变分自动编码器126可以基于输入比赛的“内容”被分配生成一个或更多个比赛。神经网络128可以被配置为确定给定球队执行每个输入比赛的可能性及每个输入比赛的一个或更多个变体。在一些实施例中,神经网络128可以是产生给定变体处于给定球队风格的可能性的前馈网络。因此,神经网络128可以负责识别给定比赛的“风格”以确定该风格是否适合特定球队。因此,变分自动编码器126和神经网络128可以结合工作以生成关于球队是否可能执行比赛或其某种变体的预测。
界面智能体130可以被配置为生成对应于由球队预测智能体120生成的球队预测的一个或更多个图形表示。例如,界面智能体130可以被配置为生成一个或更多个图形用户界面(graphical user interface,GUI),GUI包括由球队预测智能体120生成的每个预测的图形表示。下面结合图6A-图7讨论示例性GUI。
客户端设备108可以经由网络105与组织计算系统104通信。客户端设备108可以由用户操作。例如,客户端设备108可以是移动设备、平板电脑、台式计算机或具有本文描述的能力的任意计算系统。用户可以包括但不限于个人,例如订阅者、客户、潜在客户或与组织计算系统104相关联的实体的客户,例如已经获得、将要获得或可能获得来自与组织计算系统104相关联的实体的产品、服务或咨询。
客户端设备108可以至少包括应用程序132。应用程序132可以代表允许访问网站或独立应用程序的网络浏览器。客户端设备108可以访问应用程序132以访问组织计算系统104的一个或更多个功能。客户端设备108可以通过网络105通信以请求网页,例如,从组织计算系统104的网络客户端应用服务器114请求网页。例如,客户端设备108可以被配置为执行应用程序132以访问由网络客户端应用服务器114管理的内容。显示给客户端设备108的内容可以从网络客户端应用服务器114传输到客户端设备108,并且随后由应用程序132处理用于通过客户端设备108的图形用户界面(GUI)显示。
图2是示出根据示例实施例的变分自动编码器结构200的框图。变分自动编码器结构200可以代表变分自动编码器126。
变分自动编码器是一种深度生成模型,该模型可用于图像合成、手写生成以及语音。本文中的一种或多种技术可以利用变分自动编码器126的生成能力来生成观察到的比赛的所有可能的(或其子集)变体。例如,变分自动编码器126可以被配置为同时生成两个球队的所有球员和球的运动。例如,对于足球,变分自动编码器126可以被配置为在三十秒跨度上生成所有二十三个智能体的轨迹。所有智能体一起生成运动,允许球队预测智能体120以捕获连续运动及其所有复杂交互的完整对抗性。
如图所示,变分自动编码器结构200可以包括编码器202、变分潜在层204以及解码器206。编码器202可以包括一个或更多个完全连接的编码层。例如,编码器202可以包括三个全连接(密集)编码层。编码器202可以被配置为基于向其提供的输入生成潜在代表空间z。变分潜在层204可以被配置为压缩由编码器202传递的数据。例如,变分潜在层204可以具有863的维度并且可以被配置为将数据压缩25%。变分潜在层204可以被配置为生成潜在代表空间z的样本解码器206可包括一个或更多个全连接解码层。在一些实施例中,每个全连接层可以使用指数线性单元(exponential linear unit,elu)(即,“elu”)激活。
如图所示,模型输入可以由表示。可以代表用于给定比赛的跟踪数据。球员和球的集合可以在[t0,tf]时间内观察到具有轨迹 例如,第i个球员的轨迹可以定义为其中,可以代表球员i在时间t处轨迹的二维坐标。在一些实施例中,该跟踪数据可以由跟踪系统102以10Hz捕获,并且可以被下采样到5Hz。
输入可以提供给编码器202。编码器202的最后一层可以被提供给变分潜在层204。变分潜在层204可以被配置为预测潜在变量分布的均值μz和标准偏差σz。变分潜在层204可以向解码器206提供潜在变量(例如,)的分布。解码器206可以采用潜在变量z并且对其解码以生成一组预测轨迹其中,tf是tq之后的某个时间。
在一些实施例中,球队预测智能体120可以最小化所生成样本和输入样本的L2损失(附图标记“216”),即:
此类最小化可能有助于检查所生成样本是否与输入样本属于同一类。另外,为了捕获族群中所有比赛的集合,在一些实施例中,球队预测智能体120可以使用正态分布作为先验来最大化证据下界(Evidence Lower Bound,ELBO),即,球队预测智能体120可以最小化Kullback-Leibler(KL)散度:
为了平衡两个损失函数的影响,在一些实施例中,球队预测智能体120可以将总损失(参考数字“220”)定义为L=βDKL+LR。在一些实施例中,球队预测智能体120可以使用亚当优化器(Adam optimizer)来训练预测模型。
图3是示出根据示例实施例的神经网络结构300的框图。神经网络结构300是可以代表神经网络128的结构。如图所示,神经网络结构300可以包括球队分类器302。球队分类器302可以是可以接收作为输入的全连接前馈网络(附图标记304),并且可以预测输入数据集中列出的第一个球队的球队身份在一些实施例中,球队分类器302可以包括具有整流线性单元(rectified linear unit)(“relu”)激活的一个或更多个层(例如,四个)和具有softmax激活的输出层。在一些实施例中,输入层可以使用tanh激活。在一些实施例中,球队预测智能体120可以使用Adam优化器来训练预测模型以减少(例如,最小化)预测的球队身份和实际球队身份之间的交叉熵损失(附图标记310)。
图4是示出根据示例实施例的生成完全训练的预测模型的方法400的流程图。方法400可以在步骤402处开始。
在步骤402处,组织计算系统104可以检索针对多个竞赛的事件数据。例如,预处理智能体116可以从数据储存器118中检索跟踪数据。跟踪数据可以用x,y坐标和时间戳来捕获球的每次接触。跟踪数据还可以捕获与球相关联的x,y坐标和时间戳。
在步骤404处,组织计算系统104可以基于事件数据生成一个或更多个输入数据集。例如,预处理智能体116可以被配置为生成多个输入,每个输入代表比赛期间的预定比赛持续时间。例如,预处理智能体116可以解析跟踪数据以生成一组或更多组轨迹其中,代表该组中所有球员的组。在一些实施例中,对于每个输入,预处理智能体116可以丰富数据。例如,预处理智能体116可以用围绕控球权、比赛风格和球队身份中的一个或更多个的信息来丰富数据。在一些实施例中,球队身份可以是单热编码的。在一些实施例中,输入数据集可以代表单个控球。在一些实施例中,输入数据集可以代表多个控球的跨度。更进一步地,在一些实施例中,预处理智能体116可以将每个球队的球员与全局模板对齐以减少(例如,消除)置换噪声。
在步骤406处,组织计算系统104可以基于一个或更多个输入数据集学习针对每个比赛的多个变体。换言之,球队预测智能体120可以生成与每个输入数据集相关联的一个或更多个变体。例如,球队预测智能体120可以被配置为使用一个或更多个输入数据集来训练变分自动编码器126以生成每个比赛的一个或更多个变体。例如,给定输入数据集变分自动编码器126可以生成多个变体。每个变体可以由代表。
在步骤408处,组织计算系统104可以减少预测值和实际值之间的任意损失。例如,作为训练过程的部分,球队预测智能体120可以最小化所生成样本和输入样本的L2损失(即,216),即:此类最小化可能有助于检查所生成样本是否与输入样本属于同一类。另外,为了捕获族群中所有比赛的集合,在一些实施例中,球队预测智能体120可以使用正态分布作为先验来最大化证据下界(Evidence Lower Bound,ELBO),即,球队预测智能体120可以最小化Kullback-Leibler(KL)散度,为了平衡两个损失函数的影响,在一些实施例中,球队预测智能体120可以将总损失(即,220)定义为L=βDKL+LR。在一些实施例中,球队预测智能体120可以使用Adam优化器来训练预测模型。
在步骤410处,组织计算系统104可以基于一个或更多个输入数据集学习对应于每个输入数据集的球队身份。换言之,球队预测智能体120可以生成与每个输入数据集相关联的至少一个球队身份的预测。例如,球队预测智能体120可以被配置为训练神经网络128以基于例如输入数据集中的一个或更多个基于轨迹的特征来预测与每个比赛相关联的一个或更多个球队。例如,给定输入数据集神经网络128可以生成预测的球队身份
在步骤412处,组织计算系统104可以减少预测值和实际值之间的任意损失。例如,作为训练过程的部分,球队预测智能体120可以使用Adam优化器来训练预测模型,以减少(例如,最小化)预测球队身份和与每个比赛相关联的实际球队身份之间的交叉熵损失。
图5是示出根据示例实施例的使用完全训练模型为球队生成比赛预测的方法500的流程图。方法500可以在步骤502处开始。
在步骤502处,组织计算系统104可以接收给定竞赛的竞赛数据。例如,预处理智能体116可以接收用于特定比赛中给定比赛的处理信息。在一些实施例中,预处理智能体116可以接收一组或更多组跟踪数据。例如,预处理智能体116可以接收对应于给定比赛的一组跟踪数据。
在步骤504处,组织计算系统104可以从比赛数据中提取对应于给定比赛的一个或更多个数据部分。在一些实施例中,该组跟踪数据可以对应于单个控球。在一些实施例中,该组跟踪数据可以跨越多个控球。在一些实施例中,预处理智能体116可以丰富数据。例如,预处理智能体116可以用围绕控球权、比赛风格和球队身份中的一个或更多个的信息来丰富数据。
在步骤506处,组织计算系统104可以生成与每个比赛相关联的一个或更多个变体。例如,球队预测智能体120可以基于与每个比赛相关联的跟踪信息生成一个或更多个变体。球队预测智能体120可以通过变分自动编码器126传递跟踪信息。输出可以代表基于输入比赛的一个或更多个(例如,多个)变体比赛。在一些实施例中,球队预测智能体120可以限制由变分自动编码器126产生的变体的数量。例如,球队预测智能体120可以将变体的数量限制为1000。在数学上,变分自动编码器126可以接收集合作为输入,并生成一组或更多组作为输出。
在步骤508处,组织计算系统104可以预测球队执行每个比赛的可能性。例如,球队预测智能体120可以预测对应于在步骤506中生成的每个比赛和变体的至少一个球队。球队预测智能体120可以通过向神经网络128提供对应于每个比赛的跟踪数据来生成此类球队预测。例如,神经网络128可以接收集合和一个或更多个集合作为输入,其中,代表一个比赛和每个集合代表比赛的变体。作为输出,神经网络128可以为每个比赛生成球队身份为了确定特定球队执行给定比赛的可能性,由集合表示,球队预测智能体120可以识别每个球队与多少变体相关联。
在步骤510处,组织计算系统104可以生成预测的一个或更多个图形表示。例如,界面智能体130可以生成对应于给定变体和与其对应的球队的每个比赛的一个或更多个图形表示轨迹。下面结合图6A-图7可以找到示例性图形表示。
图6A是示出根据示例实施例的输入比赛及比赛变体的一个或更多个图形表示的框图600。例如,图形元素604a可以对应于第一输入比赛并且图形元素604b可以对应于如由球队预测智能体120生成的第一输入比赛的第一变体。图形元素606a可以对应于第二输入比赛,并且图形元素606b可以对应于第二输入比赛的第二变体。图形元素608a可以对应于第三输入比赛,并且图形元素608b可以对应于第三输入比赛的第三变体。
如每组对应的图形元素所示,变分自动编码器126可以保持每个比赛的内容,同时改变风格。在第一排,球队从左翼开始,传回以防守,然后从右翼向前推进。在输入比赛中(图形元素604a中所示),巴黎圣日耳曼(Paris St.Germain,PSG)以更大的宽度执行比赛,并且与对应于甘冈(Guingamp)的比赛变体(由图形元素604b代表)相比,比赛进行得更快。此类分析与对两个球队的客观看法是一致的,因为与甘冈相比,PSG拥有更出色的边锋和更频繁的传中。
在第二排中,显示了来自PSG的另一个示例。变分自动编码器126保留每个球员的内容。输入比赛(由图形元素606a代表)包括PSG在场地中间附近赢得球,将球传回侧翼,返回防守,然后快速将球向上推进到右翼。在所生成的变体比赛中(由图形元素606b代表),里尔(Lille)从场地的更左侧开始传球。进一步地,与PSG相比,里尔的防守线更高,进攻更集中,并且对面的边路更宽。
在最后一排中,来自里昂(Lyon)的反击被示为输入比赛(由图形元素608a代表)。在所生成的变体中(由图形元素608b代表),第戎(Dijon)执行类似的反击。然而,第戎的进攻比里昂更集中、更直接。
通常地,图6A示出变分自动编码器126可生成相同比赛风格的变体,同时保留给定输入比赛的内容。进一步地,图6A示出了由神经网络128生成的球队分类器在不同内容上保持球队风格的分类一致。
此类方法论允许球队预测智能体120支持增强的检索方法。例如,典型的检索方法可能受到两个因素的限制:可见数据和语义限制指标。换句话说,传统方法只能找到存在的相似比赛。通过使用变体自动编码器126,球队预测智能体120可以生成特定比赛/内容的所有风格变化的可视化,即使那些比赛/内容还没有被目击。进一步地,通过文本讨论的操作,现在可以定义相似性,不仅仅是基于纯粹的空间度量,而是基于内容(例如,它是否由给定输入生成)和风格(它是特定球队的特征)的相似程度。
图6B和6C是根据示例实施例的代表一个或更多个图形表示的框图650(分布在两个图上)。例如,如图所示,框图650包括图形表示652a、652b、654a以及654b。图形表示652a可以示出第一输入比赛。图形表示652b可以示出直方图,该直方图示出了跨多个样本(例如,1000)执行第一输入比赛(或其变体)的每个球队的可能性。图形表示654a可以示出第二输入比赛。图形表示654b可以示出直方图,该直方图示出了跨多个样本(例如,1000)执行第二输入比赛(或其变体)的每个球队的可能性。
通过使用变分自动编码器126和神经网络128,人们可以看到不同的球队将如何执行相同的比赛。然而,这并不意味着球队预测智能体120可以生成每个球队在给定情况下将如何比赛(即,输入比赛),因为并非每个球队都能够或将执行该比赛或其变体。例如,大多数球队可能不会在从左边开始后从右边开始反击,但梅茨(Metz)和第戎可能会。
在一些实施例中,对于给定的内容,只能生成有限数量的风格/球队,因为并非所有球队都可以做所有事情。换句话说,并非所有事情都可以在特定情况下发生。通过使用变分自动编码器126,球队预测智能体120可以对可能的结果集而不是单个观察到的结果进行详尽的搜索。
图7是示出根据示例实施例的球队相似度矩阵702的框图700。为了理解任意两个球队之间的内容关系,球队预测智能体120可以从球队i取得输入比赛并且生成多个变体(例如,1000)。球队预测智能体120可以确定多久为给定的球队j生成变体。对每个比赛执行此类分析可以生成来自球队i的内容可能生成球队j的可能性的集合Sij。换句话说,平均而言,Sij可能代表球队j将在给定情况下尝试与球队i相同事情的可能性。
例如,如图所示,分析中的所有球队都会生成蒙彼利埃(Montpellier)。此类分析可能是蒙彼利埃表现类似于一般足球的结果。另外,球队相似性矩阵702示出里尔、摩纳哥(Monaco)和尼斯(Nice)经常尝试与PSG的相同的比赛,尽管这样做的风格不同。球队相似性矩阵702进一步示出没有球队试图做艾蒂安(Etienne)和卡昂(Caen)所做的事情。换句话说,艾蒂安和卡昂具有独特的内容,在那些情况下比赛的唯一方法就是艾蒂安和卡昂的风格。
图8A示出了根据示例实施例的系统总线计算系统架构800(以下称为“系统800”)。系统800可以代表组织计算系统104的至少一部分。系统800的一个或更多个组件可以使用总线805彼此电通信。系统800可以包括处理单元(CPU或处理器)810和系统总线805,系统总线将包括系统存储器815(例如只读存储器(read only memory,ROM)820和随机存取存储器(random access memory,RAM)825)的各种系统组件耦接到处理器810。系统800可包括与处理器810的部件直接连接、靠近或集成为处理器810的部件的高速存储器的缓存。系统800可以将数据从存储器815和/或贮存设备830复制到缓存812以供处理器810快速访问。这样,缓存812可以提供性能提升,这避免了处理器810在等待数据时的延迟。这些和其他的模块可以控制或被配置为控制处理器810以执行各种动作。也可以使用其他系统存储器815。存储器815可以包括具有不同性能特征的多种不同类型的存储器。处理器810可以包括任意通用处理器和硬件模块或软件模块,例如存储在贮存设备830中的服务器1 832、服务器2834和服务器3 836,配置为控制处理器810以及专用处理器,在这些处理器中软件指令被合并到实际的处理器设计中。处理器810本质上可以是完全独立的计算系统,该系统包含多个核或处理器、总线、存储器控制器、缓存,等等。多核处理器可以是对称的或非对称的。
为了使用户能够与系统800交互,输入设备845可以代表任意数量的输入机制,例如用于语音的麦克风、用于手势或图形输入的触敏屏幕、键盘、鼠标、运动输入、语音等等。输出设备835也可以是本领域技术人员已知的多种输出机制中的一种或更多种。在一些情况下,多模式系统可以使用户能够提供多种类型的输入以与系统800通信。通信接口840通常可以治理和管理用户输入和系统输出。对在任意特定硬件布置上的操作没有限制,因此此处的基本特征可以很容易地替换为改进的硬件或固件布置,因为它们正在开发中。
贮存设备830可以是非易失性存储器并且可以是硬盘或可以存储可由计算机访问的数据的其他类型的计算机可读介质,例如磁带、闪存卡、固态贮存设备、数字多功能磁盘、盒式磁带、随机存取存储器(RAM)825、只读存储器(ROM)820,以及它们的混合。
贮存设备830可以包括用于控制处理器810的服务器832、834和836。可以考虑其他硬件或软件模块。贮存设备830可以连接到系统总线805。一方面,执行特定功能的硬件模块可以包括存储在计算机可读介质中的软件组件,该软件组件与必要的硬件组件(例如处理器810、总线805、显示器835,等等)连接,以执行功能。
图8B示出了具有芯片组架构的计算机系统850,该芯片组架构可以代表组织计算系统104的至少一部分。计算机系统850可以是可以用于实现所公开的技术的计算机硬件、软件和固件的示例。系统850可以包括处理器855,处理器855代表能够执行软件、固件和执行所识别的计算的硬件的任意数量的物理和/或逻辑不同的资源。处理器855可以与芯片组860通信,芯片组860可以控制来自处理器855的输入和输出。在此示例中,芯片组860将信息输出到输出865,例如显示器,并且可以读取并将信息写入贮存设备870,贮存设备870可以包括例如磁性介质和固态介质。芯片组860还可以从RAM 875读取数据并向RAM 875写入数据。可以提供用于与各种用户接口组件885接合的桥880以用于与芯片组860接合。此类用户接口组件885可以包括键盘、麦克风、触摸检测和处理电路、指点设备(例如鼠标),等等。一般而言,系统850的输入可以来自机器生成的和/或人为生成的多种来源中的任一种来源。
芯片组860还可以与一个或更多个具有不同物理接口的通信接口890接合。此类通信接口可以包括用于有线和无线局域网、用于宽带无线网络以及个人局域网的接口。用于生成、显示和使用本文公开的GUI的方法的一些应用可以包括通过物理接口接收有序数据集或者由机器本身通过处理器855分析存储在存储器870或875中的数据生成的有序数据集。进一步地,机器可以通过用户界面组件885接收来自用户的输入,并通过使用处理器855解释这些输入来执行适当的功能,例如浏览功能。
可以理解的是,示例系统800和850可以具有多于一个的处理器810或者是联网在一起的计算设备的组或集群的部分,以提供更强的处理能力
虽然前述内容是针对本文描述的实施例,但是在不脱离其基本范围的情况下可以设计其他的和进一步的实施例。例如,本公开的方面可以以硬件或软件或者硬件和软件的组合来实现。本文描述的一个实施例可以实现为与计算机系统一起使用的程序产品。程序产品的程序定义了实施例的功能(包括本文描述的方法),并且可以被包含在各种计算机可读存储介质上。示例性计算机可读存储介质包括但不限于:(i)不可写存储介质(例如,计算机内的只读存储器(ROM)设备,例如可由CD-ROM驱动器、闪存、ROM芯片或任意类型的固态非易失性存储器读取的CD-ROM盘),其上永久存储信息;(ii)可写存储介质(例如,软盘驱动器或硬盘驱动器中的软盘或任意类型的固态随机存取存储器),其上存储可更改信息。此类计算机可读存储介质在承载指导所公开实施例的功能的计算机可读指令时是本公开的实施例。
本领域技术人员将理解,前述示例是示例性的而非限制性的。本领域技术人员在阅读说明书并研究附图后,其所有排列、增强、等效以及改进旨在将其包括在本公开的真实精神和范围内。因此,以下所附权利要求旨在包括落入这些教导的真实精神和范围内的所有此类修改、置换以及等同物。
Claims (20)
1.一种为球队生成比赛预测的方法,包括:
通过计算系统从数据储存器中检索多个比赛的轨迹数据;
通过所述计算系统,使用变分自动编码器和神经网络,通过以下操作生成预测模型:
生成一个或更多个输入数据集,每个输入数据集包括所述多个比赛中的比赛的跟踪信息;
通过变分自动编码器学习从而为所述多个比赛中的每个比赛生成多个变体,其中,每个变体包括与其对应的轨迹信息;以及
通过所述神经网络学习与所述多个比赛中的每个比赛对应的球队风格;通过所述计算系统接收用于目标比赛的轨迹数据;以及
经由所述预测模型,通过确定与所述目标球队的目标球队身份相对应的目标变体的数量,生成目标球队执行所述目标比赛的可能性。
2.根据权利要求1所述的方法,其中,经由所述预测模型生成所述目标球队执行所述目标比赛的可能性,包括:
使用所述变分自动编码器为所述目标比赛生成多个目标变体。
3.根据权利要求2所述的方法,进一步包括:
将所述多个目标变体中的每个目标变体与球队身份相关联。
4.根据权利要求1所述的方法,其中,经由所述预测模型生成所述目标球队执行所述目标比赛的可能性,包括:
将对应于所述目标球队的目标球队身份的目标变体的数量与对应于其他球队身份的其他变体的数量比较。
5.根据权利要求1所述的方法,其中,所述输入数据集进一步包括控球信息、比赛风格信息以及球队身份信息。
6.根据权利要求1所述的方法,进一步包括:
通过所述计算系统生成每个目标变体的图形表示,其中,所述图形表示包括场上每个比赛的轨迹和与所述每个比赛相关联的球队。
7.根据权利要求1所述的方法,其中,所述目标比赛包括内容及与所述内容对应的风格,所述目标比赛的每个变体包括所述内容及与所述内容对应的变体风格。
8.一种用于为球队产生比赛预测的系统,包括:
处理器;以及
存储有编程指令的存储器,当所述编程指令被所述处理器执行时,所述编程指令使系统执行一个或更多个操作,所述操作包括:
从数据储存器中检索多个比赛的轨迹数据;
使用变分自动编码器和神经网络通过以下操作生成预测模型:
生成一个或更多个输入数据集,每个输入数据集包括所述多个比赛中的比赛的跟踪信息;
通过所述变分自动编码器学习从而为所述多个比赛中的每个比赛生成多个变体,其中,每个变体包括与所述每个变体对应的轨迹信息;以及
通过所述神经网络学习与所述多个比赛中的每个比赛对应的球队风格;
接收与目标比赛对应的轨迹数据;以及
经由所述预测模型,通过确定与所述目标球队的目标球队身份相对应的目标变体的数量,生成目标球队执行所述目标比赛的可能性。
9.根据权利要求8所述的系统,其中,经由所述预测模型生成所述目标球队执行所述目标比赛的可能性,包括:
使用所述变分自动编码器为所述目标比赛生成多个目标变体。
10.根据权利要求9所述的系统,进一步包括:
将所述多个目标变体中的每个目标变体与球队身份相关联。
11.根据权利要求8所述的系统,其中,经由所述预测模型生成所述目标球队执行所述目标比赛的可能性,包括:
将对应于所述目标球队的目标球队身份的目标变体的数量与对应于其他球队身份的其他变体的数量进行比较。
12.根据权利要求8所述的系统,其中,所述输入数据集进一步包括控球信息、比赛风格信息以及球队身份信息。
13.根据权利要求8所述的系统,其中,所述一个或更多个操作进一步包括:
生成每个目标变体的图形表示,其中,所述图形表示包括场上每个比赛的轨迹以及与所述每个比赛相关联的球队。
14.根据权利要求8所述的系统,其中,所述目标比赛包括内容及与所述内容对应的风格,所述目标比赛的每个变体包括所述内容及与所述内容对应的变体风格。
15.一种非暂时性计算机可读介质,包括一个或更多个指令序列,当由一个或更多个处理器执行时,所述指令序列使所述一个或更多个处理器与一个或更多个输入设备通信从而执行如下操作:
从数据储存器中检索多个比赛的轨迹数据;
使用变分自动编码器和神经网络通过以下操作生成预测模型:
生成一个或更多个输入数据集,每个输入数据集包括所述多个比赛中的比赛的跟踪信息;
通过所述变分自动编码器学习从而为所述多个比赛中的每个比赛生成多个变体,其中,每个变体包括与所述每个变体对应的轨迹信息;以及
通过所述神经网络学习与所述多个比赛中的每个比赛对应的球队风格;通过所述计算系统接收与目标比赛相对应的轨迹数据;以及
经由所述预测模型,通过确定与所述目标球队的目标球队身份相对应的目标变体的数量,生成目标球队执行所述目标比赛的可能性。
16.根据权利要求15所述的非暂时性计算机可读介质,其中,经由所述预测模型生成所述目标球队执行所述目标比赛的可能性,包括:
使用所述变分自动编码器为所述目标比赛生成多个目标变体。
17.根据权利要求15所述的非暂时性计算机可读介质,进一步包括:
将所述多个目标变体中的每个目标变体与球队身份相关联。
18.根据权利要求15所述的非暂时性计算机可读介质,其中,经由所述预测模型生成所述目标球队执行所述目标比赛的可能性,包括:
将对应于所述目标球队的目标球队身份的目标变体的数量与对应于其他球队身份的其他变体的数量进行比较。
19.根据权利要求15所述的非暂时性计算机可读介质,其中,所述输入数据集进一步包括控球信息、比赛风格信息以及球队身份信息。
20.根据权利要求15所述的非暂时性计算机可读介质,当由所述一个或更多个处理器执行时,所述一个或更多个指令序列进一步导致;
生成每个目标变体的图形表示,其中,所述图形表示包括场上每个比赛的轨迹以及与所述每个比赛相关联的球队。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962844874P | 2019-05-08 | 2019-05-08 | |
US62/844,874 | 2019-05-08 | ||
PCT/US2020/032053 WO2020227614A1 (en) | 2019-05-08 | 2020-05-08 | System and method for content and style predictions in sports |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113811898A true CN113811898A (zh) | 2021-12-17 |
Family
ID=73047499
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080034452.5A Pending CN113811898A (zh) | 2019-05-08 | 2020-05-08 | 用于运动中内容和风格预测的系统和方法 |
Country Status (4)
Country | Link |
---|---|
US (2) | US11554292B2 (zh) |
EP (1) | EP3966749A4 (zh) |
CN (1) | CN113811898A (zh) |
WO (1) | WO2020227614A1 (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3740841A4 (en) | 2018-01-21 | 2021-10-20 | Stats Llc | SYSTEM AND METHOD FOR MOVEMENT PREDICTION OF MULTIPLE FINE GRANULARITY ADVERSARY AGENTS |
WO2019144146A1 (en) * | 2018-01-21 | 2019-07-25 | Stats Llc | Method and system for interactive, interpretable, and improved match and player performance predictions in team sports |
EP3912090A4 (en) | 2019-03-01 | 2022-11-09 | Stats Llc | CUSTOMIZING PERFORMANCE PREDICTION USING DATA AND BODY POSTURE FOR SPORTS PERFORMANCE ANALYSIS |
WO2020227614A1 (en) | 2019-05-08 | 2020-11-12 | Stats Llc | System and method for content and style predictions in sports |
US11544928B2 (en) * | 2019-06-17 | 2023-01-03 | The Regents Of The University Of California | Athlete style recognition system and method |
US20210170229A1 (en) * | 2019-12-06 | 2021-06-10 | Acronis International Gmbh | Systems and methods for providing strategic game recommendations in a sports contest using artificial intelligence |
US11935298B2 (en) | 2020-06-05 | 2024-03-19 | Stats Llc | System and method for predicting formation in sports |
US11682209B2 (en) | 2020-10-01 | 2023-06-20 | Stats Llc | Prediction of NBA talent and quality from non-professional tracking data |
WO2022170046A1 (en) * | 2021-02-05 | 2022-08-11 | Stats Llc | System and method for evaluating defensive performance using graph convolutional network |
EP4329904A1 (en) | 2021-04-27 | 2024-03-06 | Stats Llc | System and method for individual player and team simulation |
Family Cites Families (84)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20000054011A (ko) | 2000-05-17 | 2000-09-05 | 민대기 | 비쥬얼인터페이스를 이용한 실시간 축구경기 기록 프로그램 |
US6616529B1 (en) | 2000-06-19 | 2003-09-09 | Intel Corporation | Simulation and synthesis of sports matches |
US6710713B1 (en) | 2002-05-17 | 2004-03-23 | Tom Russo | Method and apparatus for evaluating athletes in competition |
US20050143198A1 (en) | 2002-06-28 | 2005-06-30 | Anthony Charge | Predictive analysis system and method |
US20040148278A1 (en) | 2003-01-22 | 2004-07-29 | Amir Milo | System and method for providing content warehouse |
US20060149674A1 (en) | 2004-12-30 | 2006-07-06 | Mike Cook | System and method for identity-based fraud detection for transactions using a plurality of historical identity records |
US7699707B2 (en) | 2005-05-09 | 2010-04-20 | Hotbox Sports Llc | Fantasy sports system and method thereof |
US20070293289A1 (en) | 2005-07-27 | 2007-12-20 | Loeb Michael R | Methods and systems for realistically simulating human sports activities |
US9522332B2 (en) | 2006-12-13 | 2016-12-20 | Voodoo Gaming Llc | Video games including real-life attributes and/or fantasy team settings |
WO2008134652A1 (en) | 2007-04-27 | 2008-11-06 | Sports Prophet, Llc | Predictive modeling system and method for fantasy sports |
US20090186679A1 (en) | 2008-01-23 | 2009-07-23 | James Christopher Irvine | Prediction game system and method |
CA2736750A1 (en) | 2008-09-15 | 2010-03-18 | James A. Aman | Session automated recording together with rules based indexing, analysis and expression of content |
US8172722B2 (en) | 2008-12-05 | 2012-05-08 | Nike, Inc. | Athletic performance monitoring systems and methods in a team sports environment |
WO2010080146A2 (en) | 2009-01-07 | 2010-07-15 | Cfi Group Usa, L.L.C. | Statistical impact analysis machine |
US20100184495A1 (en) | 2009-01-21 | 2010-07-22 | Open Sports Network, Inc. | Method and system for playing an online fantasy game |
US8289185B2 (en) | 2009-05-05 | 2012-10-16 | Advanced Technologies Group, LLC | Sports telemetry system for collecting performance metrics and data |
US9186548B2 (en) | 2009-07-20 | 2015-11-17 | Disney Enterprises, Inc. | Play sequence visualization and analysis |
NZ716581A (en) | 2010-01-05 | 2017-07-28 | Isolynx Llc | Systems and methods for analyzing event data |
KR100986647B1 (ko) | 2010-01-21 | 2010-10-08 | 한양대학교 산학협력단 | 축구 경기력 평가 서비스 제공 방법, 장치 및 시스템 |
US9058670B2 (en) | 2010-05-03 | 2015-06-16 | Stats Llc | Trajectory detection and analysis in sporting events |
US20170330029A1 (en) | 2010-06-07 | 2017-11-16 | Affectiva, Inc. | Computer based convolutional processing for image analysis |
US8659663B2 (en) | 2010-12-22 | 2014-02-25 | Sportvision, Inc. | Video tracking of baseball players to determine the start and end of a half-inning |
US11074495B2 (en) * | 2013-02-28 | 2021-07-27 | Z Advanced Computing, Inc. (Zac) | System and method for extremely efficient image and pattern recognition and artificial intelligence platform |
US20130104870A1 (en) | 2011-10-31 | 2013-05-02 | Vincent Rizzo | Method, apparatus and system for projecting sports objects |
US20130267328A1 (en) | 2011-12-16 | 2013-10-10 | Sports Technology Applications, Inc. | System and method for providing mobile sports related games |
US9734290B2 (en) | 2011-12-16 | 2017-08-15 | Neela SRINIVAS | System and method for evidence based differential analysis and incentives based healthcare policy |
MX2014010254A (es) | 2012-02-24 | 2017-06-19 | Cfph Llc | Dispositivos de entretenimiento que incluyen parámetros de juego ajustables. |
WO2013166456A2 (en) * | 2012-05-04 | 2013-11-07 | Mocap Analytics, Inc. | Methods, systems and software programs for enhanced sports analytics and applications |
US10616663B2 (en) | 2012-07-02 | 2020-04-07 | Russell Brands, Llc | Computer-implemented capture of live sporting event data |
US9461876B2 (en) | 2012-08-29 | 2016-10-04 | Loci | System and method for fuzzy concept mapping, voting ontology crowd sourcing, and technology prediction |
US8996434B2 (en) | 2012-11-21 | 2015-03-31 | Cbs Interactive, Inc. | Automated statistics content preparation |
US9846845B2 (en) | 2012-11-21 | 2017-12-19 | Disney Enterprises, Inc. | Hierarchical model for human activity recognition |
US20140236331A1 (en) | 2013-02-21 | 2014-08-21 | Sap Portals Israel Ltd. | Real-time decision making in sports |
US20140274245A1 (en) | 2013-03-15 | 2014-09-18 | Fantasy Pot Odds, Llc | Fantasy player algorithm |
US20140302914A1 (en) | 2013-03-15 | 2014-10-09 | Bram Weinstein | Computer-based Methods and Systems for Fantasy Sports Gaming |
US9162140B2 (en) | 2013-04-16 | 2015-10-20 | Ghostrunner Interactive, Llc | Interactive baseball simulation between remote team managers |
US9440152B2 (en) | 2013-05-22 | 2016-09-13 | Clip Engine LLC | Fantasy sports integration with video content |
US20170072321A1 (en) | 2013-05-22 | 2017-03-16 | David S. Thompson | Highly interactive fantasy sports interleaver |
US20140361890A1 (en) | 2013-06-06 | 2014-12-11 | Zih Corp. | Method, apparatus, and computer program product for alert generation using health, fitness, operation, or performance of individuals |
US9517417B2 (en) | 2013-06-06 | 2016-12-13 | Zih Corp. | Method, apparatus, and computer program product for performance analytics determining participant statistical data and game status data |
WO2014201058A1 (en) * | 2013-06-12 | 2014-12-18 | ShotTracker, Inc. | Basketball shot-tracking system |
EP3534318A1 (en) | 2013-09-26 | 2019-09-04 | Mark W. Publicover | Providing targeted content based on a user´s moral values |
US9342785B2 (en) | 2013-11-15 | 2016-05-17 | Disney Enterprises, Inc. | Tracking player role using non-rigid formation priors |
US10140575B2 (en) | 2013-11-15 | 2018-11-27 | Disney Enterprises, Inc. | Sports formation retrieval |
WO2015076682A1 (en) | 2013-11-21 | 2015-05-28 | Crichq Limited | System and method for assessing or predicting a match outcome in a sporting event |
US10521671B2 (en) | 2014-02-28 | 2019-12-31 | Second Spectrum, Inc. | Methods and systems of spatiotemporal pattern recognition for video content development |
US11861906B2 (en) | 2014-02-28 | 2024-01-02 | Genius Sports Ss, Llc | Data processing systems and methods for enhanced augmentation of interactive video content |
CN105373938A (zh) | 2014-08-27 | 2016-03-02 | 阿里巴巴集团控股有限公司 | 识别视频图像中的商品和展示其信息的方法、装置及系统 |
US20160096071A1 (en) * | 2014-10-07 | 2016-04-07 | ShotTracker, Inc. | Real-time event monitoring system for basketball-related activities |
US9003294B1 (en) | 2014-12-23 | 2015-04-07 | FanActivate, LLC | Scalable systems for change detection of statistic data feeds across multiple servers using shared memory with configurable messaging triggers |
US20160220878A1 (en) | 2015-01-30 | 2016-08-04 | Srinivas S. Devathi | Systems and methods of playing an enhanced version of football sport |
US11157817B2 (en) | 2015-08-19 | 2021-10-26 | D-Wave Systems Inc. | Discrete variational auto-encoder systems and methods for machine learning using adiabatic quantum computers |
US11006160B2 (en) | 2015-08-24 | 2021-05-11 | Microsoft Technology Licensing, Llc | Event prediction enhancements |
US9751010B2 (en) | 2015-09-18 | 2017-09-05 | Fantasy Sports Company | System and method for virtual team assembly |
US20170109015A1 (en) | 2015-10-14 | 2017-04-20 | Microsoft Technology Licensing, Llc | Contextual athlete performance assessment |
WO2017106390A1 (en) | 2015-12-14 | 2017-06-22 | Stats Llc | System for interactive sports analytics using multi-template alignment and discriminative clustering |
US10204300B2 (en) * | 2015-12-14 | 2019-02-12 | Stats Llc | System and method for predictive sports analytics using clustered multi-agent data |
US10201755B2 (en) | 2016-02-25 | 2019-02-12 | Pick A Play Networks Inc. | System and method for providing a platform for real time interactive game participation |
US9912974B2 (en) | 2016-03-01 | 2018-03-06 | Disney Enterprises, Inc. | Shot structure of online video as a predictor of success |
US10909691B2 (en) | 2016-03-18 | 2021-02-02 | President And Fellows Of Harvard College | Automatically classifying animal behavior |
US10441868B2 (en) | 2016-04-11 | 2019-10-15 | Brian Janssen | Full scale digital replay and practice system for use by positional players in a team-based sport |
US10010778B2 (en) * | 2016-06-03 | 2018-07-03 | Pillar Vision, Inc. | Systems and methods for tracking dribbling and passing performance in sporting environments |
CN105833502B (zh) | 2016-06-06 | 2018-01-19 | 刘庆斌 | 一种足球阵型的进攻与防守技战术智能教学、训练和比赛的系统和方法 |
CN109862949B (zh) * | 2016-08-23 | 2022-01-04 | 沛勒尔维珍公司 | 用于评估篮球投射表现的系统 |
US10417499B2 (en) | 2016-09-21 | 2019-09-17 | GumGum, Inc. | Machine learning models for identifying sports teams depicted in image or video data |
WO2018126323A1 (en) | 2017-01-06 | 2018-07-12 | Sportlogiq Inc. | Systems and methods for behaviour understanding from trajectories |
US10348820B2 (en) * | 2017-01-20 | 2019-07-09 | Facebook, Inc. | Peer-to-peer content distribution |
US10824918B2 (en) | 2017-01-31 | 2020-11-03 | Stats Llc | System and method for predictive sports analytics using body-pose information |
EP3422224A1 (en) * | 2017-06-30 | 2019-01-02 | Nokia Technologies Oy | An apparatus and associated methods for determining user activity profiles |
US10489656B2 (en) * | 2017-09-21 | 2019-11-26 | NEX Team Inc. | Methods and systems for ball game analytics with a mobile device |
US11232109B1 (en) | 2017-12-01 | 2022-01-25 | Pinterest, Inc. | Object identification based on long-term user behavior and short-term interest |
US11182806B1 (en) | 2018-01-04 | 2021-11-23 | Facebook, Inc. | Consumer insights analysis by identifying a similarity in public sentiments for a pair of entities |
CN111936212B (zh) | 2018-01-21 | 2023-03-28 | 斯塔特斯公司 | 在定位进攻期间对球队队形进行识别的方法、系统、介质 |
CN112969513B (zh) | 2018-07-02 | 2022-10-18 | 沛勒尔维珍公司 | 用于确定体育赛事中降低的运动员表现的系统和方法 |
US20200302181A1 (en) | 2019-03-22 | 2020-09-24 | The Regents Of The University Of California | System and method for generating visual analytics and player statistics |
US11146862B2 (en) | 2019-04-16 | 2021-10-12 | Adobe Inc. | Generating tags for a digital video |
WO2020227614A1 (en) | 2019-05-08 | 2020-11-12 | Stats Llc | System and method for content and style predictions in sports |
US20210056458A1 (en) | 2019-08-20 | 2021-02-25 | Adobe Inc. | Predicting a persona class based on overlap-agnostic machine learning models for distributing persona-based digital content |
US11157742B2 (en) * | 2019-09-04 | 2021-10-26 | NEX Team Inc. | Methods and systems for multiplayer tagging for ball game analytics generation with a mobile computing device |
US11113535B2 (en) | 2019-11-08 | 2021-09-07 | Second Spectrum, Inc. | Determining tactical relevance and similarity of video sequences |
AU2021231754A1 (en) | 2020-03-02 | 2022-09-15 | Visual Supply Company | Systems and methods for automating video editing |
US20210304736A1 (en) * | 2020-03-30 | 2021-09-30 | Nvidia Corporation | Media engagement through deep learning |
US11958529B2 (en) * | 2020-08-20 | 2024-04-16 | Nvidia Corporation | Controlling position of robot by determining goal proposals by using neural networks |
US20220067983A1 (en) * | 2020-08-28 | 2022-03-03 | Nvidia Corporation | Object image completion |
-
2020
- 2020-05-08 WO PCT/US2020/032053 patent/WO2020227614A1/en unknown
- 2020-05-08 CN CN202080034452.5A patent/CN113811898A/zh active Pending
- 2020-05-08 EP EP20801519.8A patent/EP3966749A4/en active Pending
- 2020-05-08 US US16/870,170 patent/US11554292B2/en active Active
-
2023
- 2023-01-13 US US18/154,145 patent/US20230169766A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20200353311A1 (en) | 2020-11-12 |
US20230169766A1 (en) | 2023-06-01 |
US11554292B2 (en) | 2023-01-17 |
EP3966749A4 (en) | 2023-06-21 |
WO2020227614A1 (en) | 2020-11-12 |
EP3966749A1 (en) | 2022-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113811898A (zh) | 用于运动中内容和风格预测的系统和方法 | |
US11577145B2 (en) | Method and system for interactive, interpretable, and improved match and player performance predictions in team sports | |
CN111936212B (zh) | 在定位进攻期间对球队队形进行识别的方法、系统、介质 | |
CN113508604B (zh) | 从广播视频生成可跟踪视频帧的系统及方法 | |
US20220284311A1 (en) | Method and System for Generating In-Game Insights | |
CN111954860A (zh) | 对细粒度对抗性多队员运动进行预测的系统和方法 | |
CN115715385A (zh) | 用于预测体育运动中的队形的系统和方法 | |
CN111209897A (zh) | 视频处理的方法、装置和存储介质 | |
Su et al. | Unsupervised hierarchical dynamic parsing and encoding for action recognition | |
US20230334859A1 (en) | Prediction of NBA Talent And Quality From Non-Professional Tracking Data | |
CN115004200A (zh) | 通过无监督学习在体育运动中生成角色 | |
US11918897B2 (en) | System and method for individual player and team simulation | |
US20220254036A1 (en) | Interactive Formation Analysis in Sports Utilizing Semi-Supervised Methods | |
US20210374419A1 (en) | Semi-Supervised Action-Actor Detection from Tracking Data in Sport | |
US20230047821A1 (en) | Active Learning Event Models | |
US20230104313A1 (en) | Recommendation Engine for Combining Images and Graphics of Sports Content based on Artificial Intelligence Generated Game Metrics | |
CN114556325A (zh) | 用于改进多主体数据的结构发现和表示学习的系统和方法 | |
Merler et al. | Auto-Curation and Personalization of Sports Highlights Through Multimodal Excitement Measures | |
CN117940969A (zh) | 用于基于人工智能生成的比赛度量而组合体育内容的图像和图形的推荐引擎 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |