CN117915992A - 用于体育的数据贴纸生成 - Google Patents
用于体育的数据贴纸生成 Download PDFInfo
- Publication number
- CN117915992A CN117915992A CN202380013004.0A CN202380013004A CN117915992A CN 117915992 A CN117915992 A CN 117915992A CN 202380013004 A CN202380013004 A CN 202380013004A CN 117915992 A CN117915992 A CN 117915992A
- Authority
- CN
- China
- Prior art keywords
- data
- decal
- computing system
- hint
- generated
- 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
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims description 24
- 230000015654 memory Effects 0.000 claims description 20
- 230000008520 organization Effects 0.000 description 32
- 238000012549 training Methods 0.000 description 16
- 238000007781 pre-processing Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 8
- 239000003795 chemical substances by application Substances 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 239000000872 buffer Substances 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000037406 food intake Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000000386 athletic effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 241000699666 Mus <mouse, genus> Species 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
-
- 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
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
- G10L2015/223—Execution procedure of a spoken command
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
计算系统接收生成体育赛事的数据贴纸的提示。数据贴纸包括体育分析数据的一个或多个图形表示。所述计算系统解析所述提示以识别所述提示的各个组件。计算系统使用生成式人工智能模型,基于提示的各个组件生成一个或多个图形表示。计算系统生成包含数据贴纸的图像文件。
Description
相关申请的交叉引用
本申请要求2022年6月1日提交的美国临时申请第63/365,682号的优先权,该申请通过引用以其整体结合到本文中。
技术领域
本公开总体上涉及移动应用程序,更具体地说,涉及被配置成生成与由体育数据提供商提供的内容对应的数据贴纸的移动应用。
背景技术
在职业体育领域,评论员和平台提供商继续在向末端用户提供赛事信息和见解方面展开竞争。通常,这种过程是由人类操作员驱动的,他们试图在比赛过程中摄取大量信息,以向末端用户提供关于比赛的见解或信息。
发明内容
在一些实施方式中,本文公开了一种方法。计算系统接收生成体育赛事的数据贴纸的提示。数据贴纸包括体育分析数据的一个或多个图形表示。计算系统解析所述提示以识别所述提示的各个组件。计算系统使用生成式人工智能模型,基于提示的各个组件生成一个或多个图形表示。计算系统生成包含数据贴纸的图像文件。
在一些实施方式中,本文公开了一种非瞬时性计算机可读介质。该非瞬时性计算机可读介质包含一个或多个指令序列,当通过处理器执行所述一个或多个指令序列时,使计算系统执行操作。所述操作包括通过计算系统接收生成体育赛事的数据贴纸的提示。数据贴纸包括体育分析数据的一个或多个图形表示。所述操作还包括通过计算系统,解析所述提示以识别所述提示的各个组件。所述操作还包括通过计算系统,使用生成式人工智能模型基于所述提示的各个组件生成一个或多个图形表示。所述操作还包括通过计算系统,生成包含所述数据贴纸的图像文件。
在一些实施方式中,本文公开了一种系统。该系统包括处理器和存储器。存储器在其上存储有编程指令,当通过处理器执行时,使系统执行操作。所述操作包括接收生成体育赛事的数据贴纸的提示。数据贴纸包括体育分析数据的一个或多个图形表示。所述操作还包括解析所述提示以识别所述提示的各个组件。所述操作还包括使用生成式人工智能模型,基于提示的各个组件生成一个或多个图形表示。所述操作还包括生成包含所述数据贴纸的图像文件。
附图说明
为了能够详细地理解本公开的上述特征的方式,可以通过参考实施方式来对以上简要概括的本公开进行更具体的描述,其中一些实施方式示于附图中。然而,要注意的是,所附附图仅示出了本公开的典型实施方式,因此不应被认为是对其范围的限制,因为本公开可以允许其他同等有效的实施方式。
图1是示出根据示例实施方式的计算环境的框图。
图2A示出了根据示例实施方式的示例性图形用户界面。
图2B示出了根据示例实施方式的示例性图形用户界面。
图2C示出了根据示例实施方式的示例性图形用户界面。
图2D示出了根据示例实施方式的示例性图形用户界面。
图2E示出了根据示例实施方式的示例性图形用户界面。
图2F示出了根据示例实施方式的示例性图形用户界面。
图2G示出了根据示例实施方式的示例性图形用户界面。
图2H示出了根据示例实施方式的示例性图形用户界面。
图2I示出了根据示例实施方式的示例性图形用户界面。
图2J示出了根据示例实施方式的示例性图形用户界面。
图2K示出了根据示例实施方式的示例性图形用户界面。
图2L示出了根据示例实施方式的示例性图形用户界面。
图3是示出根据示例实施方式的生成数据贴纸的方法的流程图。
图4A是示出根据示例实施方式的数据贴纸系统的框图。
图4B是示出根据示例实施方式的数据贴纸系统的框图。
图5是示出根据示例实施方式的生成数据贴纸的方法的流程图。
图6A是示出根据示例实施方式的计算装置的框图。
图6B是示出根据示例实施方式的计算装置的框图。
为了便于理解,在可能的情况下,使用相同的附图标记来表示附图中共有的相同元件。可以预期的是,在一个实施方式中公开的元件可以有利地用于其他实施方式,而无需具体描述。
具体实施方式
本文中描述的一种或多种技术总体上涉及用于生成运动数据贴纸的系统和方法。在一些实施方式中,数据贴纸可以泛指由体育数据系统(例如AutoSTATS、ESPN等)生成的内容的图形表示。在一些实施方式中,数据贴纸可以包括各种比赛投影或关于当前比赛、即将到来的比赛或历史比赛的信息。因此,以这种方式,这种数据贴纸可以被动态生成和更新,以供末端用户检索。一旦生成之后,末端用户可以通过各种社交媒体应用程序下载或共享他们的数据贴纸。
图1是示出根据示例实施方式的计算环境的框图。计算环境100可以包括跟踪系统102、组织计算系统104以及经由网络105进行通信的一个或多个客户端装置108。
网络105可以是任何合适的类型,包括经由互联网的单独连接,例如蜂窝或Wi-Fi网络。在一些实施方式中,网络105可以使用直接连接来连接终端、服务和移动装置,例如射频识别(radio frequency identification,RFID)、近场通信(near-fieldcommunication,NFC)、蓝牙(BluetoothTM)、低能量蓝牙TM(low-energy BluetoothTM,BLE)、Wi-FiTM、ZigBeeTM、环境后向散射通信(ABC)协议、USB、WAN或LAN。由于传输的信息可能是个人的或机密的,所以出于安全考虑,可能要求对这些类型的连接中的一种或多种进行加密或以其他方式进行保护。然而,在一些实施方式中,正在传输的信息可能不太个人化,因此,可以为了方便而不是安全来选择网络连接。
网络105可以包括用于交换数据或信息的任何类型的计算机网络布置。例如,网络105可以是互联网、专用数据网络、使用公共网络的虚拟专用网络和/或使得计算环境100中的组件能够在环境100的组件之间发送和接收信息的其他合适的连接。
跟踪系统102可以位于场地106中。例如,场地106可以被配置成举办包括一个或多个行为主体(agent)112的体育赛事。跟踪系统102可以被配置成记录比赛场面上所有行为主体(即,选手)以及一个或多个其他相关对象(例如,球、裁判等)的运动。在一些实施方式中,跟踪系统102可以是使用例如多个固定摄像机的基于光学的系统。例如,可以使用由六个固定的、经校准的摄像机组成的系统,该系统将选手和球的三维位置投影到球场的二维俯视图上。在一些实施方式中,跟踪系统102可以是基于无线电的系统,使用例如由选手佩戴或嵌入在待跟踪对象中的射频识别(RFID)标签。通常,跟踪系统102可以被配置成以高帧速(例如,25Hz)进行采样和记录。跟踪系统102可以被配置成在比赛档案110中至少存储选手身份以及每一帧的比赛场面上的所有行为主体和对象的位置信息(例如,(x,y)位置)。
比赛档案110可以利用对应于事件数据的其他事件信息来扩充,例如但不限于比赛事件信息(传球、射门、失球等)和前后脉络信息(当前分数、剩余时间等)。
跟踪系统102可以被配置成经由网络105与组织计算系统104通信。组织计算系统104可以被配置成管理和分析由跟踪系统102捕获的数据。组织计算系统104可以至少包含网络客户端应用程序服务器114、预处理代理程序(pre-processing agent)116、数据存储器118、一个或多个预测模型120以及数据贴纸系统122。预处理代理程序116、一个或多个预测模型120和数据贴纸系统122中的每一个都可以由一个或多个软件模块构成。一个或多个软件模块可以是存储在介质(例如,组织计算系统104的存储器)上的代码或指令的集合,其表示实现一个或多个算法步骤的一系列机器指令(例如,程序代码)。这种机器指令可以是由组织计算系统104的处理器进行解释以实现指令的实际计算机代码,或者替代地,可以是经解释以获得实际计算机代码的指令的更高级别的编码。所述一个或多个软件模块还可以包括一个或多个硬件组件。示例算法的一个或多个方面可以由硬件组件(例如,电路)本身执行,而不是作为指令的结果。
数据存储器118可以被配置为存储一个或多个比赛档案126。每个比赛档案126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从特定比赛或事件捕获的原始数据。非空间事件数据可以对应于描述在特定一场比赛(match)中发生的事件的一个或多个变量,而没有相关联的空间信息。例如,非空间事件数据可以对应于特定一场比赛中的每个比赛详情(play-by-play,逐局)事件。在一些实施方式中,非空间事件数据可以从空间事件数据中导出。例如,预处理代理程序116可以被配置成解析空间事件数据以导出比赛详情信息。在一些实施方式中,非空间事件数据可以独立于空间事件数据导出。例如,与组织计算系统相关联的管理员或实体可以分析每场比赛以生成这种非空间事件数据。因此,为了本申请的目的,事件数据可以对应于空间事件数据和非空间事件数据。
在一些实施方式中,每个比赛档案126可以进一步包括主场队和客场队的技术统计(box scores)。例如,主场队和客场队的技术统计可以包括在比赛过程中每次t的球队助攻、犯规、篮板球(例如,进攻篮板、防守篮板、篮板总计)、抢断和过人的数量。在一些实施方式中,每个比赛档案126还可以包括选手技术统计。例如,球员技术统计可以包括球员助攻、犯规、篮板球、投篮(shot attempts)、得分(points)、罚球(free-throw attempts)、罚球得分(free-throws made)、盖帽、失球的数量以及上场时间、加/减度量、比赛开始等。尽管上述度量是关于篮球讨论的,但是本领域技术人员容易理解特定度量可以基于运动而改变。例如,在足球比赛中,主场队和客场队的技术统计可以包括射门尝试、助攻、传中、射门等。
预处理代理程序116可以被配置成处理从数据存储器118检索的数据。例如,预处理代理程序116可以被配置成生成一组或多组信息,这些信息可以用于训练一个或多个预测模型120。
预测模型120可以代表与组织计算系统104相关联的实体所使用的一个或多个预测模型。例如,预测模型120可以代表当前可从Perform(总部设在伊利诺伊州芝加哥)获得的一个或多个预测模型和/或软件工具。在一些实施方式中,预测模型120可以代表与AutoSTATS人工智能平台(可从/>Perform购得)相关联的一个或多个预测模型。在一些实施方式中,预测模型120可以代表一个或多个预测模型。
在一些实施方式中,预测模型120可以包括预测引擎,预测引擎被配置成对防御行为及其对进攻行为的影响进行精确地建模,例如在美国申请序列号17/649,970中公开的,该申请通过引用以其整体结合到本文中。
在一些实施方式中,预测模型120可以包括被配置成对球队的比赛风格或选手的比赛风格进行精确建模或分类的预测模型,例如在美国申请序列号16/870,170中公开的预测模型,该申请通过引用以其整体结合到本文中。
在一些实施方式中,预测模型120可以包括被配置成对球队的进攻或防守排布进行精确地建模的预测模型,例如在美国申请序列号16/254,128中公开的预测模型,该申请通过引用以其整体结合到本文中。
在一些实施方式中,预测模型120可以包括被配置成对球队的阵型进行精确地建模的预测模型,例如在美国申请序列号17/303,361中公开的预测模型,该申请通过引用以其整体结合到本文中。
在一些实施方式中,预测模型120可以包括被配置成生成体育运动中的宏观预测和/或微观预测的预测模型,例如在美国申请序列号17/651,960中公开的预测模型,该申请通过引用以其整体结合到本文中。
在一些实施方式中,预测模型120可以包括被配置成准确地预测事件或比赛的结果的预测模型,例如在美国申请序列号16/254,108中公开的预测模型,该申请通过引用以其整体结合到本文中。
在一些实施方式中,预测模型120可以包括被配置成准确地预测事件或比赛的结果的预测模型,例如在美国申请序列号16/254,088中公开的预测模型,该申请通过引用以其整体结合到本文中。
在一些实施方式中,预测模型120可以包括被配置成准确地生成比赛中(in-game)见解的预测模型,例如在美国申请序列号17/653,394中公开的预测模型,该申请通过引用以其整体结合到本文中。
更一般地,在一些实施方式中,预测模型120可用于基于事件数据生成一个或多个AI度量。
使用一个或多个AI度量,预测模型120可以被配置成生成关于比赛的多个见解。示例性见解可以包括球员或球队相对于职业生涯/赛季/锦标赛等的超常表现/表现不佳的陈述。另一示例性见解可以包括识别球队级别连胜(streaks)(例如,点球、过人、反弹球、堵截、第一次触地(first downs)、安打(hits)、双打、进球、助攻等)和球员级别的连胜(例如,点球、过人、抢断、助攻、篮板(进攻/防守)、接球、阻截(sacks)、安打等)的陈述。
数据贴纸系统122可以被配置成基于由预测模型120生成的一个或多个见解和/或由组织计算系统104接收和/或维护的一个或多个比赛数据来生成一个或多个数据贴纸。数据贴纸可以指可由预测模型120(或另一体育数据提供者)生成的内容的图形表示。示例性数据贴纸可以包括但不限于得分战术(scoring play)、表示选手移动的热图、最终得分、技术统计、现场得分等的图形表示。在一些实施方式中,数据贴纸系统122可以被配置为索引所生成的标签以便于检索。例如,数据贴纸系统122可以基于比赛、球队、联赛、赛季、运动等动态地生成和存储数据贴纸。
在一些实施方式中,数据贴纸可以是应用程序138可以解释的格式,例如但不限于图像格式、可缩放矢量图形(SVG)或超文本标记语言(HTML)。
在一些实施方式中,数据贴纸系统122可以包括生成式人工智能(AI)模型124。生成式AI模型124可以以最小或减少的与末端用户的交互性来促进数据贴纸生成过程。例如,不是为用户提供界面来利用由预测模型120生成的一个或多个见解和/或由组织计算系统104接收和/或维护的一个或多个比赛数据来构建数据贴纸,而是可以训练生成式AI模型124来基于来自末端用户的提示自动生成数据贴纸。在一些实施方式中,提示可以是基于文本的(例如,用户向与生成式AI模型124通信的界面输入文本提示)。在一些实施方式中,提示可以是基于语音的(例如,基于从末端用户接收的音频生成文本提示的语音转文本功能)。
在一些实施方式中,生成式AI模型124可用于修改生成的数据贴纸。例如,生成式AI模型124可以被训练成使用数据贴纸系统122对手动生成的数据贴纸提出更改或编辑的建议。这种功能可能导致对当前数据贴纸的建议更改或对现有数据贴纸的建议替代设计。在一些实施方式中,生成式AI模型124可用于自动完成部分生成的数据贴纸。
客户端装置108可以经由网络105与组织计算系统104进行通信。客户端装置108可以由用户操作。例如,客户端装置108可以是移动装置、平板电脑、桌面计算机或具有本文中描述的能力的任何计算系统。用户可以包括但不限于个人,例如与组织计算系统104相关联的实体订阅者、客户、潜在客户或顾客,例如已经从与组织计算系统104相关联的实体获得、将要获得或可能获得产品、服务或咨询的个人。
客户端装置108可以至少包含应用程序138。应用程序138可以代表允许访问网站的网络浏览器或独立应用程序,用户可以通过该应用程序访问组织计算系统104的功能。例如,使用应用程序138,客户端装置108的用户可以基于由预测模型120生成的见解来生成数据贴纸。
在应用程序138中,数据贴纸可以被表示为可以由用户在比例、方向和样式上操纵的网络视图。应用程序138可以不知道网络视图的内部内容;相反,应用程序138可以只知道网络视图在用户当前正在处理的画布上的某个位置处具有容器(container)。每个数据贴纸可以由末端用户使用和操作。例如,末端用户可以选择数据贴纸,操纵数据贴纸的外观,和/或(通过例如一个或多个社交媒体网站)分享数据贴纸。
当用户访问应用程序138以检索或定制数据贴纸时,应用程序138可以请求可从组织计算系统104获得的数据贴纸的列表。例如,应用程序138可以调用API来接收当前用户可用的数据贴纸的列表。
根据贴纸的类型,用户可以完成一系列选择来选定数据贴纸中使用的数据。例如,用户可以浏览比赛、球队、得分进攻(scoring drive)、联赛、赛季、贴纸类型等中的一种或多种,以识别相关的数据贴纸。一旦应用程序138从组织计算系统104检索到选定的数据贴纸,用户可以通过将属性注入到对应于数据贴纸的文件或文档中来操纵数据贴纸的外观。例如,可以允许用户将样式属性注入到数据贴纸中,例如用于默认颜色选择、背景颜色、字体样式等。
在一些实施方式中,数据贴纸的布局可以以许多种方式实现。例如,应用程序138可以使用数据贴纸布局的级联表样式(CSS)、SVG或HTML。
在一些实施方式中,为了呈现数据贴纸,应用程序138可以将所有需要的数据注入到对应于数据贴纸的文件或文档中。然后可以通过JavaScript使用这些数据来完成数据贴纸的外观。这种方法可能有利于绘制复杂的插图,例如热图或评分序列。
在一些实施方式中,为了呈现数据贴纸,应用程序138可以在模板内使用手柄符号(handlebar notation)。例如,手柄符号可用于使用内联(inline)样式将数据对象注入到标记文档中,即,可以使用引用数据对象中的属性(例如{{homeTeam.name}})的插入标记,而不是将球队名称放入模板中。这种方法可以有利于基于文本的数据贴纸。
一旦生成,用户可以通过一个或多个消息(例如,电子邮件、文本消息等)或通过各种社交媒体网站与其他用户分享包含数据贴纸的图形。
图2A示出了根据示例实施方式的示例性图形用户界面(GUI)200。GUI 200可以对应于与应用程序138相关联的图形用户界面。经由GUI 200,用户可以生成要下载或分享的数据贴纸。
如图所示,GUI 200可以包括图形元素202。图形元素202可以允许用户定义他们的数据贴纸的纵横比。
图2B示出了根据示例实施方式的示例性图形用户界面(GUI)210。GUI 210可以对应于与应用程序138相关联的图形用户界面。例如,GUI 210可以在用户为他们的数据贴纸选择纵横比之后呈现给用户。如图所示,GUI 210可以包括画布212。经由画布212,用户可以构建或定制他们的数据贴纸。
图2C示出了根据示例实施方式的示例性图形用户界面(GUI)220。GUI 220可以对应于与应用程序138相关联的图形用户界面。如图所示,GUI 220可以显示数据贴纸工具栏222。在一些实施方式中,数据贴纸工具栏222可以覆盖画布212。数据贴纸工具栏222可以允许用户选择他们想要生成的数据贴纸的类型。例如,如图所示,用户可以选择最终比分数据贴纸类型、实时比分数据贴纸类型、技术统计数据贴纸类型、得分战术(a scoring play)数据贴纸类型或热图数据贴纸类型。
图2D示出了根据示例实施方式的示例性图形用户界面(GUI)230。GUI 230可以对应于与应用程序138相关联的图形用户界面。如图所示,GUI 230可以类似地显示数据贴纸工具栏222。一旦用户选择了贴纸的类型,应用程序138可以提示用户识别他们正在寻找的特定贴纸。例如,数据贴纸工具栏222可以更新以提示用户选择联赛。通过选择联赛,可以向用户提供对应于该联赛的所有可用数据贴纸。
图2E示出了根据示例实施方式的示例性图形用户界面(GUI)240。GUI 240可以对应于与应用程序138相关联的图形用户界面。如图所示,GUI 240可以类似地显示数据贴纸工具栏222。一旦用户选择了联赛,应用程序138可以提示用户从该联赛中选择比赛。如图所示,比赛可以按日期组织。通过选择比赛,可以向用户提供对应于该比赛的所有可用数据贴纸。
图2F示出了根据示例实施方式的示例性图形用户界面(GUI)250。GUI 250可以对应于与应用程序138相关联的图形用户界面。如图所示,GUI 250可以类似地显示数据贴纸工具栏222。一旦用户选择了比赛,应用程序138可以提示用户从该比赛中涉及的球队中选择一个球队。通过选择球队,可以向用户提供对应于该球队的所有可用数据贴纸。
图2G示出了根据示例实施方式的示例性图形用户界面(GUI)260。GUI 260可以对应于与应用程序138相关联的图形用户界面。如图所示,GUI 260可以类似地显示数据贴纸工具栏222。一旦用户选择了球队,应用程序138可以提示用户从该球队中选择得分战术。通过选择得分战术,可以向用户提供对应于该得分战术的所有可用数据贴纸。
图2H示出了根据示例实施方式的示例性图形用户界面(GUI)270。GUI 270可以对应于与应用程序138相关联的图形用户界面。如图所示,GUI 270可以在画布212中类似地显示数据贴纸骨架272。用户可以经由画布212操纵数据贴纸骨架。例如,用户可以经由画布212修改数据贴纸骨架272的尺寸或相对位置。为了帮助用户修改数据贴纸骨架272的尺寸或相对位置,边界框274可以覆盖或包围数据贴纸骨架272。
图2I示出了根据示例实施方式的示例性图形用户界面(GUI)280。GUI 280可以对应于与应用程序138相关联的图形用户界面。如图所示,GUI 280可以在画布212中类似地显示具有数据贴纸骨架272的第二数据贴纸骨架282。例如,用户可以重复上文中结合图2C-2H描述的步骤,以将第二数据贴纸骨架282添加到画布212。为了帮助用户修改第二数据贴纸骨架282的尺寸或相对位置,边界框284可以覆盖或包围第二数据贴纸骨架282。
图2J示出了根据示例实施方式的示例性图形用户界面(GUI)290。GUI 290可以对应于与应用程序138相关联的图形用户界面。如图所示,GUI 290可以显示背景工具栏292。经由背景工具栏292,用户可以为他们的数据贴纸定制背景。如图所示,用户可以选择默认背景、无背景、从他们存储的照片中选择照片作为背景,或者他们可以动态捕获照片或视频以在背景中使用。
图2K示出了根据示例实施方式的示例性图形用户界面(GUI)285。GUI 285可以对应于与应用程序138相关联的图形用户界面。如图所示,GUI 285示出具有所选背景的数据贴纸289和数据贴纸287。数据贴纸287可以对应于数据贴纸骨架272;数据贴纸289可以对应于数据贴纸骨架282。应用程序138可以呈现具有所选背景的数据贴纸289和数据贴纸287。数据贴纸287和数据贴纸289可以共同形成数据贴纸283。
图2L示出了根据示例实施方式的示例性图形用户界面(GUI)295。GUI 295可以对应于与应用程序138相关联的图形用户界面。如图所示,GUI 295示出了完成的数据贴纸283。经由GUI 295,用户可以下载或分享数据贴纸283。例如,用户可以将数据贴纸283下载到他们的本地文件,或者将数据贴纸283分享给外部用户或者通过各种社交媒体网站进行分享。
图3是示出根据示例实施方式的生成数据贴纸的方法300的流程图。方法300可以在步骤302开始。
在步骤302,客户端装置108可以接收数据贴纸类型的选择。例如,用户可以启动应用程序138来选择要生成的数据贴纸的类型。在一些实施方式中,数据贴纸的类型可以包括但不限于最终比分数据贴纸类型、实时比分数据贴纸类型、技术统计数据贴纸类型、得分战术数据贴纸类型或热图数据贴纸类型。
在步骤304,客户端装置108可以接收对数据贴纸的相关内容源的选择。例如,每种贴纸类型可以使用户被提示以用于缩小用户的相关贴纸的附加字段(fields)。示例性附加字段可以包括但不限于联赛、比赛、球队、选手、事件等。选择的组合可以帮助应用程序138从组织计算系统104请求正确的数据贴纸。
在步骤306,客户端装置108可以通过应用编程接口(API)请求所选择的数据贴纸。例如,应用程序138可以经由API与数据贴纸系统122接口,以基于用户定义的约束来请求数据贴纸。例如,基于贴纸的类型和用户请求的附加字段,数据贴纸系统122可以向组织计算系统104提交请求以检索确定的数据贴纸。
在步骤308,客户端装置108可以从组织计算系统104接收数据贴纸。例如,基于来自应用程序138的请求,应用程序138可以通过API接收所请求的贴纸,以显示给用户。
在步骤310,客户端装置108可以接收对数据贴纸外观的定制。在一些实施方式中,定制可以包括数据贴纸的尺寸调整。在一些实施方式中,定制可以包括数据贴纸的位置调整。在一些实施方式中,定制可以包括数据贴纸的背景色。
在步骤312,客户端装置108可以一起解析定制和数据贴纸。例如,应用程序138可以生成图像文件或可缩放标记文件,其包括具有与所请求的定制相关联的信息的数据贴纸。
在步骤314,客户端装置108可以输出图像文件的渲染版本。例如,应用程序138可以根据所请求的定制以图像文件呈现数据贴纸。
如上所述,尽管目前没有在图3中示出,但是在一些实施方式中,生成AI模型124可以用于修改生成的数据贴纸或图像文件。例如,生成式AI模型124可以对生成的数据贴纸或图像文件提出更改或编辑的建议。这种功能可能导致对当前数据贴纸的建议更改或对现有数据贴纸的建议替代设计。
图4A是示出根据示例实施方式的组织计算系统104的框图。如图所示,组织计算系统104可以包括存储库402和一个或多个计算机处理器404。
存储库402可以代表用于存储数据的任何类型的存储单元和/或装置(例如,文件系统、数据库、表的集合或任何其他存储机制)。此外,存储库402可以包括多个不同的存储单元和/或装置。多个不同的存储单元和/或装置可以是同一类型或位于同一物理位置,或者也可以不是同一类型或位于同一物理位置。如图所示,存储库402可以至少包括数据贴纸系统122。
如图所示,数据贴纸系统122可以包括预处理模块406、数据库408、训练模块410和生成式AI模型124。预处理模块406和训练模块410中的每一个都可以由一个或多个软件模块构成。一个或多个软件模块是存储在介质(例如,组织计算系统104的存储器)上的代码或指令的集合,其表示实现一个或多个算法步骤的一系列机器指令(例如,程序代码)。这种机器指令可以是组织计算系统104的处理器进行解释以实现指令的实际计算机代码,或者替代地,可以是被诠释以获得实际计算机代码的指令的更高级别的编码。所述一个或多个软件模块还可以包括一个或多个硬件组件。示例算法的一个或多个方面可以由硬件组件(例如,电路)本身执行,而不是作为指令的结果。
预处理模块406可以被配置成从存储在数据库408中的数据生成训练数据集。例如,数据库408可以包括多个提示/贴纸对。每个提示/贴纸对可以包括基于文本的提示和在基于文本的提示的基础上应该生成的贴纸。示例性的基于文本的提示可以是:为今天的尼克斯队76人队的比赛生成数据贴纸,其包括杰伦·布伦森和他的技术统计的图形。与该提示对应的示例性贴纸可以包括杰伦·布伦森的图形、杰伦·布伦森的技术统计的图形、今天日期的指示以及与76人队比赛的指示。预处理模块406可以收集多个这些提示/贴纸对,以生成用于训练模块410的训练数据集。
训练模块410可以被配置成训练机器学习模型412,以在训练数据集的基础上基于由末端用户接收的提示来生成数据贴纸。在一些实施方式中,机器学习模型412可以代表变换器(transformer)网络。在训练期间,机器学习模型412可以基于训练数据集学习哪些图像对应于提示的哪些部分。
在一些实施方式中,训练机器学习模型412可以包括训练模块410训练机器学习模型412向一个或多个预测模型120提交API调用,以便获得包含在数据贴纸中的分析数据。继续上面的示例,训练模块410可以训练机器学习模型412向一个或多个预测模型120提交API调用,以便获得杰伦·布伦森的技术统计或包括杰伦·布伦森的技术统计的图形。以这种方式,训练模块410可以训练机器学习模型412根据用户提示的前后脉络(语境)来提交API调用。
一旦训练完成,可以部署训练好的机器学习模型(即,“生成式AI模型124”)。
图4B是示出根据示例实施方式的组织计算系统104的框图。图4B可以表示在训练后的生成式AI模型124的部署计算环境。
如图所示,摄入模块450可以接收来自用户的提示。在一些实施方式中,提示可以是基于文本的提示。在一些实施方式中,提示可以是基于语音的提示。在提示是基于语音的提示的那些实施方式中,摄入模块450可以被配置成使用一种或多种语音转文本算法将基于语音的提示转换成基于文本的提示。
生成式AI模型124可以被配置成接收来自摄入模块450的提示。生成式AI模型124可以分析提示以识别提示中的一个或多个组件。继续上述示例,生成式AI模型124可以识别以下组件:杰伦·布伦森,技术统计,今天的比赛,76人队。基于这些组件,生成式AI模型124可以被配置为生成数据贴纸452。
在一些实施方式中,生成式AI模型124可以确定组件中的一个组件可能需要API调用。例如,“技术统计”的请求可以提示生成式AI模型124生成对一个或多个预测模型120的API调用。因此,生成式AI模型124可以生成API调用,该API调用请求杰伦·布伦森在2023年2月5日发生的比赛期间对76人队的技术统计。生成式AI模型124可以将从API调用接收的信息用在生成的数据贴纸452中。
图5是示出根据示例实施方式的利用生成式AI方法生成数据贴纸的方法500的流程图。方法500可以在步骤502开始。
在步骤502,组织计算系统104可以接收来自客户端装置108的提示。在一些实施方式中,组织计算系统104可以经由在其上执行的应用程序138接收来自客户端装置108的提示。在一些实施方式中,提示可以是基于文本的提示。在一些实施方式中,提示可以是基于语音的提示。如果提示是基于语音的提示,则数据贴纸系统可以使用一种或多种语音转文本算法将基于语音的提示转换成基于文本的提示。
在步骤504,组织计算系统104可以识别提示的组成部分。例如,数据贴纸系统122可以分析提示,以识别那些应该在数据贴纸中具有相应图形表示的组件。
在步骤506,组织计算系统104可以确定是否需要API调用来生成数据贴纸的任何组件。例如,如上所述,生成式AI模型124可以被训练以识别可能需要API调用的那些组件。
如果在步骤506,组织计算系统104确定需要API调用,则方法500可以进行到步骤508。在步骤508,组织计算系统104可以基于提示来生成并提交API调用。在一些实施方式中,数据贴纸系统122可以基于提示中的组件之一来生成API调用。然后,数据贴纸系统122可以向与组织计算系统104相关联的一个或多个预测模型120提交API调用。
在步骤510,组织计算系统104可以从一个或多个预测模型120接收对应于API调用的分析数据。在一些实施方式中,分析数据可以是基于文本的分析数据的形式。在一些实施方式中,分析数据可以是包括基于文本的分析数据的预生成图形的形式。
在步骤512,组织计算系统104可以基于组件部分生成数据贴纸。例如,对于每个识别的组件,数据贴纸系统122可以经由生成式AI模型124生成要包括在数据贴纸中的图形表示。在一些实施方式中,生成数据贴纸可以包括数据贴纸系统122将来自一个或多个预测模型120的接收到的分析数据合并到数据贴纸中。
在步骤514,组织计算系统104可以生成包含数据贴纸的图像文件。在一些实施方式中,数据贴纸系统122可以经由在客户端装置108上执行的应用程序138将图像文件递送给用户。
如本领域技术人员所理解的,一旦图像文件被生成,末端用户可以具有定制由数据贴纸系统122生成的数据贴纸和/或图像文件的能力。例如,末端用户可以使用在上文结合图2A-2L和图3讨论的任何方法来定制图像文件和/或数据贴纸。
图6A示出了根据示例实施方式的计算系统600的系统总线架构。系统600可以代表组织计算系统104的至少一部分。系统600的一个或多个组件可以使用总线605彼此电通信。系统600可以包含处理单元(CPU或处理器)610和系统总线605,系统总线605将包括系统存储器615(例如只读存储器(read only memory,ROM)620和随机存取存储器(random accessmemory,RAM)625)的各种系统组件耦接于处理器610。系统600可以包括与处理器610直接连接、紧密靠近处理器610或集成为处理器610的一部分的高速存储器的缓存器。系统600可以将数据从存储器615和/或存储装置630复制到缓存器612,以便处理器610快速访问。以这种方式,缓存器612可以提供避免处理器610在等待数据时的延迟的性能提升。这些和其他模块可以控制或被配置成控制处理器610执行各种动作。其他系统存储器615也可供使用。存储器615可以包含具有不同性能特性的多种不同类型的存储器。处理器610可以包含任何通用处理器和硬件模块或软件模块,例如存储在存储装置630中的服务1 632、服务2 634和服务3 636,其被配置为控制处理器610以及专用处理器,其中软件指令被纳入到实际的处理器设计中。处理器610本质上可以是完全自包含(self-contained)的计算系统,包含多个内核或处理器、总线、存储器控制器、缓存器等。多核处理器可以是对称的或不对称的。
为了使用户能够与计算系统600交互,输入装置645可以表示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摸感应屏幕、键盘、鼠标、运动输入、语音等等。输出装置635也可以是本领域技术人员已知的许多种输出机制中的一种或多种。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来与计算系统600通信。通信接口640通常可以控制和管理用户输入和系统输出。在任何特定的硬件配置上操作没有限制,因此这里的基本特征可以在开发时很容易地替换为改进的硬件或固件布置。
存储装置630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、固态存储设备、数字多功能盘、盒式磁带、随机存取存储器(RAM)625、只读存储器(ROM)620及其混合。
存储装置630可以包括用于控制处理器610的服务632、634和636。可以设想其他硬件或软件模块。存储装置630可以连接到系统总线605。在一个方面,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610、总线605、输出装置635(例如,显示器)等)相关联,以执行该功能。
图6B示出了具有芯片组架构的计算机系统650,该芯片组架构可以表示组织计算系统104的至少一部分。计算机系统650可以是可用于实现所公开技术的计算机硬件、软件和固件的示例。系统650可以包括处理器655,其表示能够执行被配置成执行识别的计算的软件、固件和硬件的任何数量的物理和/或逻辑上不同的资源。处理器655可以与芯片组660通信,芯片组660可以控制处理器655的输入和输出。在该示例中,芯片组660将信息输出到输出部665(例如显示器),并且可以读取信息和向存储装置670写入信息,存储装置670可以包括例如磁介质和固态介质。芯片组660还可以从存储装置675(例如,RAM)读取数据和向存储装置675写入数据。可以提供用于与各种用户界面组件685接合的桥680,用于与芯片组660接合。这种用户界面组件685可以包括键盘、麦克风、触摸检测和处理电路、诸如鼠标的定点装置等。一般来说,对系统650的输入可以来自机器生成的和/或人工生成的各种来源中的任何一种。
芯片组660还可以与一个或多个通信接口690接口,该通信接口可以具有不同的物理接口。这种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区域网的接口。本文中公开的用于生成、显示和使用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655分析存储在存储装置670或存储装置675中的数据来生成。此外,机器可以通过用户界面组件685接收来自用户的输入,并执行适当的功能,例如通过使用处理器655解释这些输入来执行浏览功能。
可以理解,示例系统600和650可以具有多于一个处理器610,或者是联网在一起的计算设备的组或集群的一部分,以提供更大处理能力。
虽然前述内容是针对本文中描述的实施方式,但是可以在不脱离其基本范围的情况下设计其他和另外的实施方式。例如,本公开的各方面可以用硬件或软件或者硬件和软件的组合来实现。本文中描述的一个实施方式可以被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方式(包括这里描述的方法)的功能,并且可以包含在各种计算机可读存储介质上。说明性计算机可读存储介质包括但不限于:(i)信息永久地存储于其上的不可写存储介质(例如计算机内的只读存储器(ROM)装置,如可由CD-ROM驱动器读取的CD-ROM盘、闪存、ROM芯片或任何类型的固态非易失性存储器);和(ii)其上存储可改变的信息的可写存储介质(例如,软盘驱动器或硬盘驱动器内的软盘或任何类型的固态随机存取存储器)。当这种计算机可读存储介质携带指导所公开实施方式的功能的计算机可读指令时,这种计算机可读存储介质是本公开的实施方式。
本领域技术人员将会理解,前面的示例是示例性的而不是限制性的。意图是,在阅读说明书和研究附图后,对其的所有排列、增强、等同物和改进对于本领域技术人员来说都是显而易见的,包括在本公开的真实精神和范围内。因此,所附权利要求旨在包括落入这些教示的真实精神和范围内的所有这些修改、排列和等同物。
Claims (20)
1.一种方法,包括:
通过计算系统,接收生成体育赛事的数据贴纸的提示,所述数据贴纸包括体育分析数据的一个或多个图形表示;
通过所述计算系统,解析所述提示以识别所述提示的各个组件;
通过所述计算系统,使用生成式人工智能模型基于所述提示的各个组件生成一个或多个图形表示;及
通过所述计算系统,生成包含所述数据贴纸的图像文件。
2.根据权利要求1所述的方法,其中所述提示是响应于部分生成的数据贴纸而接收的,其中所述提示是使用所述生成式人工智能模型完成所述部分生成的数据贴纸的请求。
3.根据权利要求1所述的方法,其中所述提示是基于语音的提示。
4.根据权利要求3所述的方法,还包括:
通过所述计算系统,将所述基于语音的提示转换成基于文本的提示。
5.根据权利要求1所述的方法,还包括:
通过所述计算系统,确定所述各个组件中的至少一个单个组件需要应用程序编程接口(API)调用来检索由一个或多个预测模型生成的预测数据;并且
通过所述计算系统,基于所述确定,生成对所述一个或多个预测模型的API调用,以获得所述预测数据。
6.根据权利要求5所述的方法,其中通过所述计算系统,使用生成式人工智能模型基于所述提示的各个组件生成所述一个或多个图形表示包括:
生成从所述一个或多个预测模型接收的预测数据的图形表示。
7.根据权利要求5所述的方法,其中通过所述计算系统,使用生成式人工智能模型基于所述提示的各个组件生成所述一个或多个图形表示包括:
将从所述一个或多个预测模型接收的预测数据与所述一个或多个图形表示合并,以生成所述数据贴纸。
8.一种非瞬时性计算机可读介质,包含一个或多个指令序列,当通过处理器执行所述一个或多个指令序列时,使计算系统执行包括以下的操作:
通过所述计算系统,接收生成体育赛事的数据贴纸的提示,所述数据贴纸包括体育分析数据的一个或多个图形表示;
通过所述计算系统,解析所述提示以识别所述提示的各个组件;
通过所述计算系统,使用生成式人工智能模型基于所述提示的各个组件生成一个或多个图形表示;并且
通过所述计算系统,生成包含所述数据贴纸的图像文件。
9.根据权利要求8所述的非瞬时性计算机可读介质,其中所述提示是响应于部分生成的数据贴纸而接收的,其中所述提示是使用所述生成式人工智能模型完成所述部分生成的数据贴纸的请求。
10.根据权利要求8所述的非瞬时性计算机可读介质,其中所述提示是基于语音的提示。
11.根据权利要求10所述的非瞬时性计算机可读介质,还包括:
通过所述计算系统,将所述基于语音的提示转换成基于文本的提示。
12.根据权利要求8所述的非瞬时性计算机可读介质,还包括:
通过所述计算系统,确定所述各个组件中的至少一个单个组件需要应用程序编程接口(API)调用来检索由一个或多个预测模型生成的预测数据;并且
通过所述计算系统,基于所述确定,生成对所述一个或多个预测模型的API调用,以获得所述预测数据。
13.根据权利要求12所述的非瞬时性计算机可读介质,其中通过所述计算系统,使用生成式人工智能模型基于所述提示的各个组件生成所述一个或多个图形表示包括:
生成从所述一个或多个预测模型接收的预测数据的图形表示。
14.根据权利要求12所述的非瞬时性计算机可读介质,其中通过所述计算系统,使用生成式人工智能模型基于所述提示的各个组件生成所述一个或多个图形表示包括:
将从所述一个或多个预测模型接收的预测数据与所述一个或多个图形表示合并,以生成所述数据贴纸。
15.一种系统,包括:
处理器;和
存储器,其上存储有编程指令,当通过所述处理器执行时,使所述系统执行包括以下的操作:
接收生成体育赛事的数据贴纸的提示,所述数据贴纸包括体育分析数据的一个或多个图形表示;
解析所述提示以识别所述提示的各个组件;
使用生成式人工智能模型基于所述提示的各个组件生成一个或多个图形表示;并且
生成包含所述数据贴纸的图像文件。
16.根据权利要求15所述的系统,其中所述提示是基于语音的提示。
17.根据权利要求16所述的系统,其中所述操作还包括:
将所述基于语音的提示转换成基于文本的提示。
18.根据权利要求15所述的系统,其中所述操作还包括:
确定所述各个组件中的至少一个单个组件需要应用程序编程接口(API)调用来检索由一个或多个预测模型生成的预测数据;并且
基于所述确定,生成对所述一个或多个预测模型的API调用,以获得所述预测数据。
19.根据权利要求18所述的系统,其中使用生成式人工智能模型基于所述提示的各个组件生成所述一个或多个图形表示包括:
生成从所述一个或多个预测模型接收的预测数据的图形表示。
20.根据权利要求18所述的系统,其中使用生成式人工智能模型基于所述提示的各个组件生成所述一个或多个图形表示包括:
将从所述一个或多个预测模型接收的预测数据与所述一个或多个图形表示合并,以生成所述数据贴纸。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202263365682P | 2022-06-01 | 2022-06-01 | |
US63/365,682 | 2022-06-01 | ||
PCT/US2023/067762 WO2023235803A1 (en) | 2022-06-01 | 2023-06-01 | Data sticker generation for sports |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117915992A true CN117915992A (zh) | 2024-04-19 |
Family
ID=88976968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202380013004.0A Pending CN117915992A (zh) | 2022-06-01 | 2023-06-01 | 用于体育的数据贴纸生成 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230394728A1 (zh) |
EP (1) | EP4359097A1 (zh) |
CN (1) | CN117915992A (zh) |
WO (1) | WO2023235803A1 (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013166456A2 (en) * | 2012-05-04 | 2013-11-07 | Mocap Analytics, Inc. | Methods, systems and software programs for enhanced sports analytics and applications |
US10437658B2 (en) * | 2013-06-06 | 2019-10-08 | Zebra Technologies Corporation | Method, apparatus, and computer program product for collecting and displaying sporting event data based on real time data for proximity and movement of objects |
US10057204B2 (en) * | 2015-03-31 | 2018-08-21 | Facebook, Inc. | Multi-user media presentation system |
US11295318B2 (en) * | 2018-12-07 | 2022-04-05 | Nike, Inc. | Systems and methods for provisioning cryptographic digital assets for blockchain-secured retail products |
US11514203B2 (en) * | 2020-05-18 | 2022-11-29 | Best Apps, Llc | Computer aided systems and methods for creating custom products |
-
2023
- 2023-06-01 CN CN202380013004.0A patent/CN117915992A/zh active Pending
- 2023-06-01 US US18/327,479 patent/US20230394728A1/en active Pending
- 2023-06-01 EP EP23816935.3A patent/EP4359097A1/en active Pending
- 2023-06-01 WO PCT/US2023/067762 patent/WO2023235803A1/en active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2023235803A1 (en) | 2023-12-07 |
US20230394728A1 (en) | 2023-12-07 |
EP4359097A1 (en) | 2024-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10949744B2 (en) | Recurrent neural network architectures which provide text describing images | |
US11660521B2 (en) | Method and system for interactive, interpretable, and improved match and player performance predictions in team sports | |
US10848805B1 (en) | Contextual video recommendations within a video game | |
EP3473016B1 (en) | Method and system for automatically producing video highlights | |
US20220270004A1 (en) | Micro-Level and Macro-Level Predictions in Sports | |
US20220284311A1 (en) | Method and System for Generating In-Game Insights | |
US20220217445A1 (en) | Devices, systems, and their methods of use in generating and distributing content | |
CN111954860A (zh) | 对细粒度对抗性多队员运动进行预测的系统和方法 | |
KR102432158B1 (ko) | 스포츠 이벤트 지원 플랫폼 서비스 제공 시스템 | |
EP3912090A1 (en) | Personalizing prediction of performance using data and body-pose for analysis of sporting performance | |
US20220358405A1 (en) | System and Method for Generating Artificial Intelligence Driven Insights | |
US11918897B2 (en) | System and method for individual player and team simulation | |
CN117915992A (zh) | 用于体育的数据贴纸生成 | |
CN116324668A (zh) | 从非职业跟踪数据预测nba天赋和质量 | |
US20220355182A1 (en) | Live Prediction of Player Performances in Tennis | |
US20240066355A1 (en) | Live Tournament Predictions in Tennis | |
US20240181343A1 (en) | System and method for individual player and team simulation | |
US20220343253A1 (en) | Virtual Coaching System | |
US20230027077A1 (en) | Real Time Feedback and Recommendations on Market Selections | |
US20200342547A1 (en) | Systems and methods for facilitating engagement between entities and individuals | |
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 |