CN117940969A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN117940969A CN117940969A CN202280052388.2A CN202280052388A CN117940969A CN 117940969 A CN117940969 A CN 117940969A CN 202280052388 A CN202280052388 A CN 202280052388A CN 117940969 A CN117940969 A CN 117940969A
- Authority
- CN
- China
- Prior art keywords
- event
- computing system
- image
- data
- insight
- 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 title claims description 23
- 230000000007 visual effect Effects 0.000 claims abstract description 28
- 230000004044 response Effects 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 20
- 238000012800 visualization Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims 3
- 230000008520 organization Effects 0.000 description 19
- 230000006399 behavior Effects 0.000 description 12
- 238000007781 pre-processing Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000015572 biosynthetic process 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
- 230000001934 delay Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material 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
- 238000004088 simulation 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
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
-
- 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
- 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
- G06V20/44—Event detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明涉及一种计算系统,所述计算系统接收比赛的数据。所述数据包括跟踪数据或事件数据的至少一者。基于所述比赛的所述数据,所述计算系统确定事件在所述比赛已发生。基于所述确定,所述计算系统响应于所述事件而生成图形。所述图形包括相关于所述事件的见解。所述计算系统基于与所述事件相关联的元标签而推荐相关于所述事件的图像。所述计算系统通过将所述图像与所述图形合并而生成视觉元素。
Description
相关申请的交叉引用
本申请要求提交于2021年10月1日的美国临时申请系列No.63/261,971的优先权,该临时申请据此全文以引用方式并入。
技术领域
本公开整体涉及一种用于基于人工智能生成的比赛度量的体育内容可视化的推荐引擎。
发明背景
随着数据的增殖,体育团队、评论员和球迷都对于识别和分类整场比赛或整个赛季中发生的事件更感兴趣。随着公司开发出配置成生成各种预测和度量的模型,向用户展示这些预测和度量变得越来越重要。
发明内容
在一些实施例中,本文公开了一种方法。本发明涉及一种计算系统,该计算系统接收比赛的数据。该数据包括跟踪数据或事件数据的至少一者。基于比赛的数据,计算系统确定事件在该比赛已发生。基于该确定,计算系统响应于事件而生成图形。该图形包括相关于事件的见解。计算系统基于与事件相关联的元标签而推荐相关于事件的图像。计算系统通过将图像与图形合并而生成视觉元素。在一些实施例中,计算系统可基于事件而推荐人工智能(AI)度量或见解。在球运动路径(具有或不具有选手跟踪数据)以及AI度量/见解方面,此类推荐可采取单个数字、数字组合,或关键玩法的可视化的形式。
在一些实施例中,本文公开了一种非暂态计算机可读介质。非暂态计算机可读介质包括一个或多个指令序列,该一个或多个指令序列当由一个或多个处理器执行时引起计算系统执行操作。操作包括通过计算系统接收比赛的数据,该数据包括跟踪数据或事件数据的至少一者。操作还包括基于比赛的数据而通过计算系统确定事件在比赛已发生。操作还包括基于该确定而通过计算系统响应于事件来生成图形,其中该图形包括相关于事件的见解。操作还包括基于与图像相关联的元标签而通过计算系统推荐相关于事件的图像。操作还包括通过将图像与图形合并而通过计算系统生成视觉元素。
在一些实施例中,本文公开了一种系统。该系统包括处理器和存储器。存储器具有存储于其上的编程指令,该编程指令当由处理器执行时引起该系统执行操作。操作包括接收比赛的数据,该数据包括跟踪数据或事件数据的至少一者。操作还包括基于比赛的数据而确定事件在比赛已发生。操作还包括基于该确定而响应于事件来生成图形,其中该图形包括相关于事件的见解。操作还包括基于与图像相关联的元标签而推荐相关于事件的图像。操作还包括通过将图像与图形合并而生成视觉元素。
附图简述
为了可详细地理解本公开的上文所列举特征,上文所概述的本公开的更具体描述可参考实施例,这些实施例的一些示出于附图中。然而,应当注意,附图仅示出了本公开的典型实施例并且因此不应视为限制其范围,因为本公开可承认其它等同有效的实施例。
图1根据实例实施例为示出计算环境的框图。
图2根据实例实施例示出了示例性视觉元素。
图3根据实例实施例示出了示例性视觉元素。
图4根据实例实施例为示出生成视觉元素的方法的流程图。
图5A根据实例实施例为示出计算装置的框图。
图5B根据实例实施例为示出计算装置的框图。
为便于理解,尽可能使用相同附图标号来命名图中共有的等同元件。据设想,一个实施例中所公开的元件可有益地用于其它实施例,而无需具体表述。
具体实施方式
本文所描述的一种或多种技术通常涉及将不同类型的内容合并成单个视觉元素。例如,本文所描述的一种或多种技术消除了所用的耗时且高度主观的过程,使之成为智能、客观和自动的过程。本系统可利用元标签和事件分析的组合,以推荐与捕获相关于人工智能度量或事件的见解的图形相关联的图像。
图1根据实例实施例为示出计算环境100的框图。计算环境100可包括跟踪系统102、组织计算系统104,以及经由网络105通信的一个或多个客户端装置108。
网络105可为任何合适类型,包括经由互联网的单独连接,例如蜂窝或Wi-Fi网络。一些实施例中,网络105可利用直接连接而连接终端、服务和移动装置,例如射频识别(RFID)、近场通信(NFC)、蓝牙(BluetoothTM)、低能量蓝牙(BLE)、Wi-FiTM、ZigBeeTM、环境后向散射通信(ABC)协议、USB、WAN或LAN。因为所传输的信息可为私人的或机密的,所以安全考虑可决定这些连接类型的一者或多者进行加密或以其它方式保护。然而,在一些实施例中,所传输的信息可为较低私人的,并且因此,网络连接可出于方便性而非安全性进行选择。
网络105可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可为互联网、专用数据网络、利用公共网络的虚拟专用网络,和/或允许计算环境100中的组件在环境100的组件之间发送和接收信息的其它合适连接。
跟踪系统102可位于场馆106中。例如,场馆106可配置成举办体育赛事,该体育赛事包括一个或多个行为主体(agent)112。跟踪系统102可配置成捕获比赛场地上所有行为主体(即,球员)、以及一个或多个其他相关对象(例如,球、裁判员等)的运动。在一些实施例中,跟踪系统102可为利用例如多个固定摄像机的基于光学的系统。例如,可使用由六个固定式校准摄像机组成的系统,该系统将选手和球的三维位置投影至球场的二维俯视图上。在另一实例中,固定式和非固定式摄像机的混合可用于捕获比赛场地上的所有行为主体以及一个或多个对象或相关者的运动。如本领域技术人员所理解,利用此类跟踪系统(例如,跟踪系统102)可得到球场的许多不同摄像机视图(例如,高边线视图、罚球线视图、队员靠拢(huddle)视图、争球(face-off)视图、端区(end zone)视图等)。在一些实施例中,跟踪系统102可用于给定赛事的广播馈送。在此类实施例中,广播馈送的每一帧可存储于比赛文件110中。
在一些实施例中,比赛文件110还可以对应于事件数据的其它事件信息进行扩充,诸如但不限于比赛事件信息(传球、射门、失误等)和前后脉络信息(当前分数、剩余时间等)。
跟踪系统102可配置成经由网络105与组织计算系统104通信。组织计算系统104可配置成管理并分析由跟踪系统102所捕获的数据。组织计算系统104可至少包括网络客户端应用服务器114、预处理行为主体116、数据存储库118、预测模型120、图形引擎122、推荐引擎124和视觉引擎126。
预处理行为主体116、预测模型120、图形引擎122、推荐引擎124和视觉引擎126的每一者可包括一个或多个软件模块。一个或多个软件模块可为存储于介质(例如,组织计算系统104的存储器)上的代码或指令的集合,该集合表示实施一个或多个算法步骤的一系列机器指令(例如,程序代码)。此类机器指令可为组织计算系统104的处理器所解释的用以实施指令的实际计算机代码,或另选地,可为解释用以获得实际计算机代码的指令的更高级别编码。一个或多个软件模块还可包括一个或多个硬件组件。实例算法的一个或多个方面可通过硬件组件(例如,电路)自身来执行,而非作为指令的结果。
数据存储库118可配置成存储一个或多个比赛文件125。每个比赛文件125可包括给定赛事的视频数据。例如,视频数据可对应于由跟踪系统102所捕获的多个视频帧。在一些实施例中,视频数据可对应于给定赛事的广播数据;在这种情况下,视频数据可对应于给定赛事的广播馈送的多个视频帧。
预处理行为主体116可配置成处理从数据存储库118所检索的数据。例如,预处理行为主体116可配置成生成存储于数据存储库118中的比赛文件125。例如,预处理行为主体116可配置成基于由跟踪系统102所捕获的数据而生成比赛文件125。在一些实施例中,预处理行为主体116还可配置成存储与相应比赛文件125中的每个比赛相关联的跟踪数据。跟踪数据可指代所有选手和球在比赛期间在比赛场地上的(x,y)坐标。在一些实施例中,预处理行为主体116可从跟踪系统102直接地接收跟踪数据。在一些实施例中,预处理行为主体116可从比赛的广播馈送获取跟踪数据。
预测模块120可表示与STATS Perform(位于伊利诺伊州芝加哥市(Chicago,Illinois))相关联的一个或多个预测模型。例如,预测模型120可表示一个或多个预测模型,诸如但不限于得分预测模型;自动地检测事件(例如,篮球:有球掩护、孤立、无球掩护;足球:反击、固定战术)、预期度量(例如,预期进球、预期控球,和预期传球完成率)、选手和球队实力排名、在赛事或赛季模拟期间的选手和球队预测(包括赛季结束时的最终积分榜位置以及最终选手和球队统计数据)的模型,等等。
在一些实施例中,预测模型120可包括预测引擎,该预测引擎配置成准确地建模防守行为和其对于攻击行为的影响,诸如美国申请系列No.17/649,970所公开的预测引擎,该申请据此全文以引用方式并入。
在一些实施例中,预测模型120可包括配置成准确地建模或分类球队的竞赛风格或选手的竞赛风格的预测模型,诸如美国申请系列No.16/870,170所公开的预测模型,该申请据此全文以引用方式并入。
在一些实施例中,预测模型120可包括配置成准确地建模球队的进攻或防守阵型的预测模型,诸如美国申请系列No.16/254,128所公开的预测模型,该申请据此全文以引用方式并入。
在一些实施例中,预测模型120可包括配置成准确地建模队形的预测模型,诸如美国申请系列No.17/303,361所公开的预测模型,该申请据此全文以引用方式并入。
在一些实施例中,预测模型120可包括配置成生成体育的宏观预测和/或微观预测的预测模型,诸如美国申请系列No.17/651,960所公开的预测模型,该申请据此全文以引用方式并入。
在一些实施例中,预测模型120可包括配置成准确地预测事件或比赛的结果的预测模型,诸如美国申请系列No.16/254,108所公开的预测模型,该申请据此全文以引用方式并入。
在一些实施例中,预测模型120可包括配置成准确地预测事件或比赛的结果的预测模型,诸如美国申请系列No.16/254,088所公开的预测模型,该申请据此全文以引用方式并入。
在一些实施例中,预测模型120可包括配置成准确地生成赛中见解的预测模型,诸如美国申请系列No.17/653,394所公开的预测模型,该申请据此全文以引用方式并入。
在一些实施例中,预测模型120可包括配置成生成事件(诸如,板球中的击球)的可能结果的预测模型,诸如美国申请系列No.17/934,756所公开的预测模型,该申请据此全文以引用方式并入。
图形引擎122可配置成生成一个或多个图形,该一个或多个图形可包括由预测模型120所生成的体育数据和见解。例如,图形引擎122可生成高分辨率选手和球队图像、视频、GIF等,其可与实时或近乎实时体育数据和见解相匹配。图形引擎122可通常表示OptaGraphics,一种通常得自STATS Perform的直观多媒体图形工具。
推荐引擎124可配置成推荐图像以包括于由图形引擎122所生成的图形中。例如,基于触发图形引擎122以生成捕获AI度量或事件的图形的AI度量或事件,推荐引擎124可识别或推荐相关于AI度量或事件的图像。按惯例,此类过程为手动过程,其中管理员将需要选择图像以添加至有图形引擎122所生成的图形。通过利用元标签的组合来识别相关于AI度量或事件的图像,推荐引擎124消除了这种耗时且主观过程。
推荐引擎124可与数据库130通信,以识别相关于由图形引擎122所生成的图形的图像。如所示,数据库130可包括图像134。图像134可为各种体育相关图像,诸如但不限于选手、教练、球迷、玩法、事件等。每个图像134可包括与之相关联的一个或多个元数据标签136。如上文所提供,图形引擎122可生成与一个或多个人工智能情境特征相关联的图形。这些情境特征可与各种元数据标签136相关联。这样,推荐引擎124可选择图像134,图像134包括相关于人工智能情境特征的元数据标签136。在一些实施例中,所选图像可包括射门(预期进球)、控球(预期控球)、特定事件(篮球中的有球掩护或足球中的反击/角球),或对于特定统计数据的赛事表现的预测,或赛季末排名。
在一些实施例中,推荐引擎124可推荐图像列表(例如,一个以上的图像),以用于与由图形引擎122所生成的图形包括在一起。例如,人类操作者可查看由推荐引擎124所推荐的所有图像列表。相比之下,人类操作者可必须事先筛选大型图像数据库,其多者可无关于事件触发。在一些实施例中,推荐引擎124可提供图像列表中的每个图像相关的原因的见解。
视觉引擎126可配置成将推荐图像与生成图形合并以用于呈现至用户。此类结果可称为视觉元素。例如,视觉元素可包括由图形引擎122所生成的图形和由推荐引擎124所提供的推荐图像。
客户端装置108可经由网络105与组织计算系统104通信。客户端装置108可由用户操作。例如,客户端装置108可为移动装置、平板电脑、台式计算机,或具有本文所描述能力的任何计算系统。用户可包括但不限于个人,诸如,例如与组织计算系统104相关联的实体的订阅者、客户、潜在客户或顾客,诸如从与组织计算系统104相关联的实体已获得、将获得或可获得产品、服务或咨询的个人。
客户端装置108可至少包括应用程序128。应用程序128可表示网络浏览器,该网络浏览器允许访问网站或独立应用程序。客户端装置108可访问应用程序128以访问组织计算系统104的一种或多种功能。客户端装置108可经由网络105进行通信,以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,客户端装置108可配置成执行应用程序128以访问由图形引擎122所生成的一个或多个合并图形。显示至客户端装置108的内容可从网络客户端应用服务器114传输至客户端装置108,并且随后由应用程序128进行处理以用于通过客户端装置108的图形用户界面(GUI)的显示。
图2根据实例实施例示出了示例性视觉元素200。视觉元素200可包括图形202和推荐图像204。图形202可为由图形引擎122所生成的图形。例如,如所示,响应于由NashvilleSC得分的进球,图形202可对应于由图形引擎122所述生成的图形。基于该事件,推荐引擎124可推荐该推荐图像204。推荐图像204可为包括高级度量的图像,诸如实况获胜概率(如所示)、预期进球值、预期控球值、控球序列视觉等。此类推荐图像204可向终端用户提供关于事件的更多内容或见解。
图3根据实例实施例示出了示例性视觉元素300。视觉元素300可包括图形302和多个推荐图像304。图形302可为由图形引擎122所生成的图形。例如,如所示,响应于所得分的进球,图形302可对应于由图形引擎122所述生成的图形。在此,图形302可示出对应于进球的进球序列。基于该事件,推荐引擎124可推荐该推荐图像204。如所示,可存在可相关于事件的数个推荐图像304。例如,推荐图像304可包括但不限于进球得分选手的图像、夜间选手(如果比赛在夜间)的图像、白天选手(如果比赛在白天)的图像、选手庆祝的图像、穿着特定秋衣(主场秋衣、客场秋衣、替补秋衣)选手的图像,等等。基于推荐图像304,推荐引擎124可选择图像以用于包括于视觉元素300中。多个推荐图像304的此类推荐图像可提供至终端用户。
图4根据实例实施例为示出生成视觉元素的方法400的流程图。方法400可开始于步骤402。
在步骤402,组织计算系统104可接收比赛的数据。在一些实施例中,该数据可包括比赛的跟踪数据。在一些实施例中,跟踪数据可接收自跟踪系统102。在一些实施例中,跟踪数据可获取自比赛的广播视频流。在一些实施例中,该数据可包括比赛的事件数据。在一些实施例中,预测模型120和/或预处理行为主体116可从跟踪数据和/或广播数据生成或获取事件数据。在一些实施例中,事件数据可接收自跟踪系统102。
在步骤404,组织计算系统104可基于数据而检测比赛内的事件。在一些实施例中,预处理行为主体116可通过分析跟踪数据和/或事件数据而检测数据内的事件。在一些实施例中,预测模型120可利用一种或多种机器学习算法而检测数据内的事件。事件可指代进球、传球、破纪录事件,等等。
在步骤406,组织计算系统104可生成对应于事件的图形。例如,响应于检测比赛内的事件,图形引擎122可配置成生成一个或多个图形,该一个或多个图形可包括可相关于事件的由预测模型120所生成的体育数据和见解。例如,图形引擎122可生成高分辨率图像、视频、GIF等,其可与相关于事件的实时或近乎实时体育数据和见解相匹配。图形引擎122可通常表示Opta Graphics,一种通常得自STATS Perform的直观多媒体图形工具。
在步骤408,组织计算系统104可推荐图像以与生成图形一起包括于视觉元素中。例如,推荐引擎124可推荐图像以与由图形引擎122所生成的图形一起包括于视觉元素中。例如,基于触发图形引擎122以生成捕获AI度量或事件的图形的AI度量或事件,推荐引擎124可识别或推荐相关于AI度量或事件的图像。为识别推荐图像,推荐引擎124可借助图像134的数据库130中的元标签来识别相关于AI度量或事件的图像。
在一些实施例中,组织计算系统104还可基于事件而推荐AI度量或见解。例如,推荐引擎124可推荐AI度量或见解以包括于视觉元素中。
在步骤410,组织计算系统104可基于由图形引擎122所生成的图形和由推荐引擎124所选择的推荐图像而生成视觉元素。例如,视觉引擎126可将推荐图像与由图形引擎122所生成的图形合并以生成视觉元素。
图5A根据实例实施例示出了计算系统500的架构。系统500可表示组织计算系统104的至少一部分。利用总线505,系统500的一个或多个组件可彼此电连通。系统500可包括处理单元(CPU或处理器)510和系统总线505,系统总线505将包括系统存储器515(诸如只读存储器(ROM)520和随机存取存储器(RAM)525)的各种系统组件联接至处理器510。系统500可包括与处理器510直接连接、紧密邻近或集成为其一部分的高速存储器的缓存器。系统500可将数据从存储器515和/或存储装置530复制至缓存器512以用于处理器510的快速存取。这样,缓存器512可提供避免处理器510在等待数据时延迟的性能提升。这些和其它模块可控制或配置成控制处理器510来执行各种动作。其它系统存储器615也可供使用。存储器515可包括具有不同性能特性的多种不同类型的存储器。处理器510可包括任何通用处理器和硬件模块或软件模块,诸如存储于存储装置530中的服务1 532、服务2 534和服务3 536,该软件模块配置成控制处理器510以及专用处理器,其中软件指令并入实际处理器设计中。处理器510本质上可为完全自立计算系统,该计算系统包括多个核或处理器、总线、存储器控制器、缓存器等。多核处理器可为对称的或非对称的。
为允许用户与计算系统500的交互,输入装置545可表示任何数量的输入机构,诸如用于语音的麦克风、用于手势或图形输入的触摸屏、键盘、鼠标、动作输入、语音等。输出装置535(例如,显示器)还可为本领域技术人员已知的多种输出机构中的一者或多者。在一些情况下,多模式系统可允许用户提供多种类型的输入以与计算系统500通信。通信接口540通常可支配并管理用户输入和系统输出。对于任何特定硬件布置上的操作不存在限制,并且因此,此处的基本特征可在开发时易于替换为改善硬件或固件布置。
存储装置530可为非易失性存储器,并且可为硬盘或可存储计算机可存取的数据的其它类型的计算机可读介质,诸如磁带、闪存卡、固态存储装置、数字多功能盘、盒式磁带、随机存取存储器(RAM)525、只读存储器(ROM)520,及其混合体。
存储装置530可包括用于控制处理器510的服务532,534和536。设想出其它硬件或软件模块。存储装置530可连接至系统总线505。一方面,执行特定功能的硬件模块可包括存储于与必需硬件组件(诸如处理器510、总线505、输出装置535等)连接的计算机可读介质中的软件组件,以执行该功能。
图5B示出了具有芯片组架构的计算机系统550,该芯片组架构可表示组织计算系统104的至少一部分。计算机系统550可为可用于实施所公开技术的计算机硬件、软件和固件的实例。系统550可包括处理器555,处理器555表示能够执行软件、固件和硬件(其配置成执行所识别计算)的任何数量的物理和/或逻辑不同的资源。处理器555可与芯片组560通信,芯片组560可控制对于处理器555的输入和从其的输出。在该实例中,芯片组560将信息输出至输出部565(诸如显示器),并且可读取信息并将其写入至存储装置570,存储装置570可包括例如磁介质和固态介质。芯片组560还可从RAM 575读取数据并将数据写入至RAM575。用于与多种用户介面组件585接合的桥接器580可提供用于与芯片组560接合。此类用户介面组件585可包括键盘、麦克风、触摸检测和处理电路、指向装置(诸如鼠标),等等。一般而言,对于系统550的输入可得自机器生成和/或人类生成的多种资源的任一者。
芯片组560还可与可具有不同物理介面的一个或多个通信介面590接合。此类通信介面可包括用于有线和无线局域网、用于宽带无线网络以及个域网的介面。用于生成、显示和使用本文所公开GUI的方法的一些应用可包括经由物理介面接收有序数据集,或可通过处理器555分析存储于存储装置570或RAM 575中的数据而由机器自身生成。另外,机器可通过用户介面组件585接收用户的输入,并且可通过利用处理器555解释这些输入而执行适当功能,诸如浏览功能。
应当理解,实例系统500和550可具有一个以上的处理器510,或可为联网在一起的一组或集群的计算装置的一部分,以提供更大处理能力。
虽然前述内容涉及本文所描述的实施例,但是可设计其它和另外实施例,而不脱离其基本范围。例如,本公开的一些方面可以硬件或软件或硬件和软件的组合来实施。本文所描述的一个实施例可实施为与计算机系统一起使用的程序产品。程序产品的程序限定了实施例(包括本文所描述的方法)的功能,并且可包括于多种计算机可读存储介质上。例示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,诸如由CD-ROM驱动器可读取的CD-ROM盘、闪存、ROM芯片,或任何类型的固态非易失性存储器);(ii)可更改信息存储于其上的可写存储介质(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)。当执行计算机可读指令(其指导所公开实施例的功能)时,此类计算机可读存储介质为本公开的实施例。
本领域的技术人员将理解,前述实例为示例性的和非限制性的。据预期,在阅读说明书和研究附图后,对于本领域的技术人员将显而易见的是,其所有排列、增强、等同物和改善包括于本公开的真实精神和范围内。因此,据预期,下述附属权利要求书包括落入这些教导的真实精神和范围内的所有此类修改、排列和等同物。
Claims (20)
1.一种方法,包括:
通过计算系统接收比赛的数据,所述数据包括跟踪数据或事件数据的至少一者;
基于所述比赛的所述数据,通过所述计算系统确定事件在所述比赛中已发生;
基于所述确定,通过所述计算系统响应于所述事件而生成图形,其中所述图形包括相关于所述事件的见解;
通过所述计算系统基于与所述图像相关联的元标签,推荐相关于所述事件的图像;和
通过所述计算系统生成由所述图像与所述图形合并的视觉元素。
2.根据权利要求1所述的方法,还包括:
通过所述计算系统基于所述事件推荐见解或人工智能度量。
3.根据权利要求2所述的方法,其中所述见解或人工智能度量为单个数字、数字组合,或关键玩法的可视化的一者。
4.根据权利要求1所述的方法,其中通过所述计算系统基于与所述图像相关联的所述元标签,推荐相关于所述事件的所述图像包括:
生成相关于所述事件的多个图像的列表,所述多个图像的所述列表包括所述图像。
5.根据权利要求1所述的方法,其中通过所述计算系统基于与所述图像相关联的所述元标签,推荐相关于所述事件的所述图像包括:
识别相关于所述事件的所述见解的情境特征;和
将所述情境特征映射至与所述图像相关联的所述元标签。
6.根据权利要求1所述的方法,还包括:
通过所述计算系统的一个或多个预测模型基于对应于所述事件的所述数据生成相关于所述事件的所述见解。
7.根据权利要求6所述的方法,还包括:
通过所述计算系统将相关于所述事件的所述见解呈现至用户;和
通过所述计算系统接收至少一种见解的选择以用于包括于所述视觉元素中。
8.一种包括一个或多个指令序列的非暂态计算机可读介质,所述一个或多个指令序列当由一个或多个处理器执行时引起计算系统执行包括以下项的操作:
通过所述计算系统接收比赛的数据,所述数据包括跟踪数据或事件数据的至少一者;
基于所述比赛的所述数据,通过所述计算系统确定事件在所述比赛中已发生;
基于所述确定,通过所述计算系统响应于所述事件而生成图形,其中所述图形包括相关于所述事件的见解;
通过所述计算系统基于与所述图像相关联的元标签,推荐相关于所述事件的图像;和
通过所述计算系统生成由所述图像与所述图形合并的视觉元素。
9.根据权利要求8所述的非暂态计算机可读介质,还包括:
通过所述计算系统基于所述事件,推荐见解或人工智能度量。
10.根据权利要求9所述的非暂态计算机可读介质,其中所述见解或人工智能度量为单个数字、数字组合,或关键玩法的可视化的一者。
11.根据权利要求8所述的非暂态计算机可读介质,其中通过所述计算系统基于与所述图像相关联的所述元标签,推荐相关于所述事件的所述图像包括:
生成相关于所述事件的多个图像的列表,所述多个图像的所述列表包括所述图像。
12.根据权利要求8所述的非暂态计算机可读介质,其中通过所述计算系统基于与所述图像相关联的所述元标签,推荐相关于所述事件的所述图像包括:
识别相关于所述事件的所述见解的情境特征;和
将所述情境特征映射至与所述图像相关联的所述元标签。
13.根据权利要求8所述的非暂态计算机可读介质,还包括:
通过所述计算系统的一个或多个预测模型基于对应于所述事件的所述数据生成相关于所述事件的所述见解。
14.根据权利要求13所述的非暂态计算机可读介质,还包括:
通过所述计算系统将相关于所述事件的所述见解呈现至用户;和
通过所述计算系统接收至少一种见解的选择以用于包括于所述视觉元素中。
15.一种系统,包括:
处理器;和
存储器,所述存储器具有存储于其上的编程指令,所述编程指令当由所述处理器执行时引起所述系统执行包括以下项的操作:
接收比赛的数据,所述数据包括跟踪数据或事件数据的至少一者;
基于所述比赛的所述数据,确定事件在所述比赛中已发生;
基于所述确定,响应于所述事件而生成图形,其中所述图形包括相关于所述事件的见解;
基于与所述图像相关联的元标签,推荐相关于所述事件的图像;和
通过将所述图像与所述图形合并生成视觉元素。
16.根据权利要求15所述的系统,其中所述操作还包括:
基于所述事件而推荐见解或人工智能度量。
17.根据权利要求15所述的系统,其中基于与所述图像相关联的所述元标签,推荐相关于所述事件的所述图像包括:
生成相关于所述事件的多个图像的列表,所述多个图像的所述列表包括所述图像。
18.根据权利要求15所述的系统,其中基于与所述图像相关联的元标签而推荐相关于所述事件的所述图像包括:
识别相关于所述事件的所述见解的情境特征;和
将所述情境特征映射至与所述图像相关联的所述元标签。
19.根据权利要求15所述的系统,其中所述操作还包括:
基于对应于所述事件的所述数据,通过一个或多个预测模型生成相关于所述事件的所述见解。
20.根据权利要求19所述的系统,其中所述操作还包括:
将相关于所述事件的所述见解呈现至用户;和
接收至少一种见解的选择以用于包括于所述视觉元素中。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202163261971P | 2021-10-01 | 2021-10-01 | |
US63/261,971 | 2021-10-01 | ||
PCT/US2022/077383 WO2023056442A1 (en) | 2021-10-01 | 2022-09-30 | Recommendation engine for combining images and graphics of sports content based on artificial intelligence generated game metrics |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117940969A true CN117940969A (zh) | 2024-04-26 |
Family
ID=85775335
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280052388.2A Pending CN117940969A (zh) | 2021-10-01 | 2022-09-30 | 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 |
Country Status (4)
Country | Link |
---|---|
US (2) | US20230104313A1 (zh) |
EP (1) | EP4360068A1 (zh) |
CN (1) | CN117940969A (zh) |
WO (1) | WO2023056442A1 (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8409024B2 (en) * | 2001-09-12 | 2013-04-02 | Pillar Vision, Inc. | Trajectory detection and feedback system for golf |
US7474698B2 (en) * | 2001-10-19 | 2009-01-06 | Sharp Laboratories Of America, Inc. | Identification of replay segments |
US8707381B2 (en) * | 2009-09-22 | 2014-04-22 | Caption Colorado L.L.C. | Caption and/or metadata synchronization for replay of previously or simultaneously recorded live programs |
US10282068B2 (en) * | 2013-08-26 | 2019-05-07 | Venuenext, Inc. | Game event display with a scrollable graphical game play feed |
US20170132821A1 (en) * | 2015-11-06 | 2017-05-11 | Microsoft Technology Licensing, Llc | Caption generation for visual media |
-
2022
- 2022-09-30 CN CN202280052388.2A patent/CN117940969A/zh active Pending
- 2022-09-30 EP EP22877623.3A patent/EP4360068A1/en active Pending
- 2022-09-30 US US17/937,156 patent/US20230104313A1/en active Pending
- 2022-09-30 WO PCT/US2022/077383 patent/WO2023056442A1/en active Application Filing
-
2024
- 2024-01-25 US US18/422,404 patent/US20240161359A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
EP4360068A1 (en) | 2024-05-01 |
WO2023056442A1 (en) | 2023-04-06 |
US20240161359A1 (en) | 2024-05-16 |
US20230104313A1 (en) | 2023-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11554292B2 (en) | System and method for content and style predictions in sports | |
US20220253679A1 (en) | System and Method for Evaluating Defensive Performance using Graph Convolutional Network | |
CN115715385A (zh) | 用于预测体育运动中的队形的系统和方法 | |
US20240153270A1 (en) | System and method for merging asynchronous data sources | |
US20220358405A1 (en) | System and Method for Generating Artificial Intelligence Driven Insights | |
US20210322825A1 (en) | Graph Based Method of Next Pitch Prediction | |
US20240161359A1 (en) | Recommendation engine for combining images and graphics of sports content based on artificial intelligence generated game metrics | |
US20230047821A1 (en) | Active Learning Event Models | |
US20220270368A1 (en) | Interactive video system for sports media | |
US20230256318A1 (en) | System and Method for Live Counter-Factual Analysis in Tennis | |
US20220355182A1 (en) | Live Prediction of Player Performances in Tennis | |
US20230148112A1 (en) | Sports Neural Network Codec | |
US20240070770A1 (en) | System and Method for Real-Time Minting and Enrichment of Sports Data | |
US20230070051A1 (en) | Estimating Missing Player Locations in Broadcast Video Feeds | |
US20230116986A1 (en) | System and Method for Generating Daily-Updated Rating of Individual Player Performance in Sports | |
CN117378001A (zh) | 用于体育媒体的交互式视频系统 | |
WO2022146817A1 (en) | Action-actor detection with graph neural networks from spatiotemporal tracking data | |
WO2022232266A1 (en) | Virtual coaching system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |