チュートリアル
投稿者向けチュートリアル各項目の定義についてName | Survey Contributor | Year | Author | Journal/Conference(short) | Journal/Conference(Formal)) | URL | Specific Sports | Field | Method | Data | Summary(in 1 or 2 sentences) | Novelty(in 1 or 2 sentences) | One Figure | ❤️ Like this Paper! | ❤️ Total Likes! | 編集完了 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Atom Scott | 2022 | 🏐 Volley Ball | Computer Vision | Multi Object Tracking | Tracking Data | Atom Scott | ❤️ | |||||||||
Atom Scott | 2019 | Tom Decroos, Lotte Bransen, Jan Van Haaren, Jesse Davis | KDD | ACM SIGKDD Conference on Knowledge Discovery and Data Mining | ⚽️ Soccer | Machine LearningSports Evaluation Metrics | Statistical ModelSports Evaluation Metrics | Tracking DataSports Event Data | 攻撃選手の評価指標であるVAEPの提案 | シュートを打っていない選手の評価も可能になり、xTよりもアウトプットが(現場の直感的に)妥当性がある点。 | Ikuma Uchida | ❤️ | ||||
A framework for the fine-grained evaluation of the instantaneous expected value of soccer possessions | Atom Scott | 2020 | Javier Fernández, Luke Bornn, Daniel Cervone | SpringerML | Journal of Springer Machine Learning | ⚽️ Soccer | Sports Evaluation MetricsMachine Learning | Statistical ModelSports Evaluation Metrics | Tracking DataSports Event Data | EPVに関する雑誌論文 | Ikuma Uchida | ❤️ | ||||
Atom Scott | ⚽️ Soccer | ❤️ | ||||||||||||||
GIAOTracker: A comprehensive framework for MCMOT with global
information and optimizing strategies in VisDrone 2021 | Atom Scott | 2021 | ICCVW (2021 IEEE/CVF International Conference on Computer Vision Workshops) | Multi Object Tracking | ❤️ | |||||||||||
BodySLAM: Joint Camera Localisation, Mapping, and Human Motion Tracking | Atom Scott | 2022 | ECCV (European Conference on Computer Vision) | Multi Object Tracking | ❤️ | |||||||||||
MOTR: End-to-End Multiple-Object Tracking with TRansformer | Atom Scott | 2022 | ECCV (European Conference on Computer Vision) | Multi Object Tracking | ❤️ | |||||||||||
Robust Multi-Object Tracking by Marginal Inference | Atom Scott | 2022 | ECCV (European Conference on Computer Vision) | Multi Object Tracking | ❤️ | |||||||||||
ByteTrack: Multi-Object Tracking by Associating Every Detection Box | Atom Scott | 2022 | ECCV (European Conference on Computer Vision) | Multi Object Tracking | ❤️ | |||||||||||
Towards Grand Unification of Object Tracking | Atom Scott | 2022 | ECCV (European Conference on Computer Vision) | Multi Object Tracking | ❤️ | |||||||||||
Quo Vadis: Is Trajectory Forecasting the Key Towards
Long-Term Multi-Object Tracking? | Atom Scott | 2022 | NeurIPS (Conference on Neural Information Processing Systems) | Multi Object Tracking | ❤️ | |||||||||||
SwinTrack: A Simple and Strong Baseline for Transformer Tracking | Atom Scott | 2022 | NeurIPS (Conference on Neural Information Processing Systems) | Multi Object Tracking | ❤️ | |||||||||||
Observation-Centric SORT: Rethinking SORT for Robust Multi-Object Tracking | Atom Scott | 2023 | CVPR (The IEEE / CVF Computer Vision and Pattern Recognition Conference) | Multi Object Tracking | ❤️ | |||||||||||
Focus On Details: Online Multi-object Tracking with Diverse Fine-grained Representation | Atom Scott | 2023 | CVPR (The IEEE / CVF Computer Vision and Pattern Recognition Conference) | Multi Object Tracking | ❤️ | |||||||||||
Standing Between Past and Future: Spatio-Temporal Modeling for Multi-Camera 3D Multi-Object Tracking | Atom Scott | 2023 | CVPR (The IEEE / CVF Computer Vision and Pattern Recognition Conference) | Multi Object Tracking | ❤️ | |||||||||||
Unifying Short and Long-Term Tracking with Graph Hierarchies | Atom Scott | 2023 | CVPR (The IEEE / CVF Computer Vision and Pattern Recognition Conference) | Multi Object Tracking | ❤️ | |||||||||||
MOTRv2: Bootstrapping End-to-End Multi-Object Tracking by Pretrained Object Detectors | Atom Scott | 2023 | CVPR (The IEEE / CVF Computer Vision and Pattern Recognition Conference) | Multi Object Tracking | ❤️ | |||||||||||
MotionTrack: Learning Robust Short-term and Long-term Motions for Multi-Object Tracking | Atom Scott | 2023 | CVPR (The IEEE / CVF Computer Vision and Pattern Recognition Conference) | Multi Object Tracking | ❤️ | |||||||||||
DanceTrack: Multi-Object Tracking in Uniform Appearance and Diverse Motion | Atom Scott | 2022 | CVPR (The IEEE / CVF Computer Vision and Pattern Recognition Conference) | Multi Object Tracking | ❤️ | |||||||||||
Deep soccer analytics: learning an action-value function for evaluating soccer players | FujiiKeisuke | 2020 | Guiliang Liu, Yudong Luo, Oliver Schulte, Tarak Kharrat | ECML PKDD | European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases | ⚽️ Soccer | Machine LearningDeep LearningSports Evaluation Metrics | Statistical Model | Tracking Data | ボール保持者のプレー価値を強化学習モデルを用いて推定する。 | サッカーのプレー評価において、強化学習の枠組みを実データの分析に適用している点。 | ❤️ | ||||
ShuttleNet: Position-aware Fusion of Rally Progress and Player Styles for Stroke
Forecasting in Badminton | FujiiKeisuke | 2021 | Wei-Yao Wang, Hong-Han Shuai, Kai-Shiang Chang, Wen-Chih Peng | Arxiv | Arxiv | 🎾 Racket Sports | Machine LearningDeep Learning | Statistical Model | Video | バドミントンシングルスの試合において、ラリー状況などをもとに球種と打球位置を予測する研究 | 試合映像のみを用いて,球種や打球位置を予測している点。今まではラケットにセンサを付けるなど一手間必要であった。 | ❤️ | ||||
TTNet: Real-time temporal and spatial video analysis of table tennis | Ikuma Uchida | 2020 | Roman Voeikov, Nikolay Falaleev, Ruslan Baikulov | CVSports | International Workshop on Computer Vision in Sports at CVPR | Other | Computer VisionDeep LearningMachine Learning | Object DetectionEvent DetectionSegmentation | VideoSports Event Data | 卓球映像から、ボールの追跡と人物のセグメンテーションを通して、リアルタイムにイベント検出 | ❤️ | |||||
Ikuma Uchida | 2021 | Ikuma Uchida, Atom Scott, Hidehiko Shishido, Yoshinari Kameda | MMSports | Proceedings of the 4th International Workshop on Multimedia Content Analysis in Sports | ⚽️ Soccer | Computer VisionDeep LearningMachine Learning | Object DetectionEvent DetectionMulti Object Tracking | VideoSports Event Data | ❤️ | |||||||
Ikuma Uchida | 2020 | Hugo M. R. Rios-Neto, Wagner Meira Jr., Pedro O.S. Vaz de Melo | SportsTomorrow | Barcelona Analytics in Sports Tomorrow | ⚽️ Soccer | Machine LearningSports Evaluation Metrics | Statistical ModelSports Evaluation Metrics | Tracking DataSports Event Data | OBSOをトラッキングデータに拡張した研究 | 既存のOBSOはイベントデータに紐づくことが前提だったが、それがトラッキングデータと紐付けることが可能になった。 | Ikuma Uchida | ❤️ | ||||
Ikuma Uchida | 2018 | William Spearman | MITSSAC | MIT Sloan Sports Analytics Conference | ⚽️ Soccer | Machine LearningSports Evaluation Metrics | Statistical ModelSports Evaluation Metrics | Tracking DataSports Event Data | ボール非保持者のプレーの評価。特定のイベントが発生した際に、オフボールの選手を評価している。イベントデータと紐づいていることが前提で、のちの論文で連続データに対してもOBSOが算出できるようになってる | 典型的な指標はボール保持者における評価は取り組まれているが、ボール非保持の選手のプレー評価を定量的に行った研究は初めて | Ikuma Uchida | ❤️ | ||||
Ikuma Uchida | 2023 | Padmanaba Srinivasan, Raghavan Subramanian, William Knottenbelt, | MITSSAC | MIT Sloan Sports Analytics Conference | Trajectory PredictionStatistical Model | ❤️ | ||||||||||
Ikuma Uchida | 2017 | Long Sha, Patrick Lucey, Stephan Zheng, Taehwan Kim, Yisong Yue, Sridha Sridharan | Arxiv | Arxiv | 🏀 Basketball⚽️ Soccer | Machine LearningDeep Learning | Cluster analysis | Tracking Data | マルチエージェント時空間トラッキングデータを効率的に検索するための新しい方法の提案.マルチエージェント時空間トラック間の関連性を推定するツリーベースの手法を紹介している. | ❤️ | ||||||
Ikuma Uchida | 2013 | W.-L. Lu, J.-A. Ting, J. Little, K. Murphy | TPAMI | IEEE Transactions on Pattern Analysis and Machine Intelligence | 🏀 Basketball | Computer VisionDeep LearningMachine Learning | Multi Object Tracking | Tracking DataVideo | 放送映像のようなパンチルトな映像を用いて、複数の選手を検出・追跡し、映像フレームとコート間のホモグラフィーを推定し、選手を識別するシステムの提案 | シングルカメラのスポーツ映像で選手の識別を行った点がユニーク | Ikuma Uchida | ❤️ | ||||
Ikuma Uchida | 2016 | Alex Rathke | Arxiv | Arxiv | ⚽️ Soccer | Sports Evaluation Metrics | Statistical Model | Sports Event Data | 2012-2013シーズンのプレミアリーグとブンデスリーガの試合(380試合と306試合)のシュートを調査し、一定のエリアにおけるゴール期待値を算出。ちなみに筑波大学蹴球部でもこの簡易的なxGは使用していた | 複数のゴール期待値の研究をサーベイし、またxGの価値と信頼性を学術的に明らかにした点 | Ikuma Uchida | ❤️ | ||||
Ikuma Uchida | 2022 | Masakiyo Teranishi, Kazushi Tsutsui, Kazuya Takeda, Keisuke Fujii | MLSA | The Machine Learning and Data Mining for Sports Analytics workshop | ⚽️ Soccer | Sports Evaluation MetricsDeep Learning | Statistical ModelGraph Neural Network | Tracking DataSports Event Data | 軌道予測モデルを組み込んだ非ボール保持選手のプレー評価 | これまでのボール非保持選手の評価指標と比べて、「ボールを持たず、ボールを受けようとしない攻撃選手」を評価し、典型的な(あるいは予測された)動きと比較して、動きが得点機会の創出にどのように寄与するかを明らかにすることはが可能となった。 | Ikuma Uchida | ❤️ | ||||
Ikuma Uchida | 2017 | Nicolai Wojke, Alex Bewley, Dietrich Paulus | Arxiv | Arxiv | Computer VisionDeep LearningMachine Learning | Multi Object TrackingObject Detection | VideoTracking Data | シンプルで効果的なアルゴリズムに焦点を当てた、MOTの実用的なアプローチ。 IDスイッチの数を従来手法より45%減らすことが出来た。 | SORTのパフォーマンス向上のために、外観情報を統合している。 | ❤️ | ||||||
Ikuma Uchida | 2022 | Jie Wang, Yuzhou Peng, Xiaodong Yang, Ting Wang, Yanming Zhang | Arxiv | Arxiv | ⚽️ Soccer🏀 Basketball🏐 Volley Ball | Deep LearningMachine Learning | Multi Object Tracking | VideoTracking Data | モーションブラーやオクルージョンを解決するために三段階のマッチングプロセスを採用。 | SportsMOTチャレンジ一位の解法。 | Ikuma Uchida | ❤️ | ||||
Ikuma Uchida | 2022 | James Hong, Haotian Zhang, Michaël Gharbi, Matthew Fisher, Kayvon Fatahalian | ECCV | ECCV (European Conference on Computer Vision) | 🎾 Racket Sports⛸ Figure-skating⚽️ Soccer | Computer VisionMachine LearningDeep Learning | Action RecognitionEvent Detection | Sports Event DataVideo | スポーツアクションの細かい時間的な精度での検出において、高い精度を発揮するエンドツーエンド学習アプローチ、E2E-Spotを提案。複数のデータセットでSOTA | テニスとフィギアスケートの動画認識タスクにおいてSOTA | Ikuma Uchida | ❤️ | ||||
Ikuma Uchida | 2022 | Fei Wu, Qingzhong Wang, Jian Bian, Haoyi Xiong, Ning Ding, Feixiang Lu, Jun Cheng, Dejing Dou | Arxiv | Arxiv | ⚽️ Soccer🏀 BasketballOther🎾 Racket Sports🏐 Volley Ball | Computer VisionMachine LearningDeep Learning | Action RecognitionEvent Detection | Sports Event DataVideo | スポーツ分析のための映像認識手法のサーベイ. またPaddleVideoと呼ばれるアノテーションツールも提供している. | スポーツのドメインを包括的に調べたペーパーはおそらく初 | ❤️ | |||||
Segment Anything | Ikuma Uchida | 2023 | Alexander Kirillov, Eric Mintun, Nikhila Ravi, Hanzi Mao, Chloe Rolland, Laura Gustafson, Tete Xiao, Spencer Whitehead, Alexander C. Berg, Wan-Yen Lo, Piotr Dollár, Ross Girshick | Arxiv | Arxiv | Other | Computer VisionDeep LearningMachine Learning | SegmentationMulti Object TrackingObject Detection | VideoSegmentation Data | ❤️ | ||||||
Ikuma Uchida | 2022 | Sandro Hauri, Slobodan Vucetic | Arxiv | Arxiv | Action Recognition | Tracking Data | ❤️ | |||||||||
Ikuma Uchida | 2016 | Yun He, Soma Shirakabe, Yutaka Satoh, Hirokatsu Kataoka | Arxiv | Arxiv | Other | Computer VisionDeep LearningMachine Learning | Action Recognition | Video | 「人間がいない状態での人間の行動認識」という新しい概念を提案。背景シーケンスだけを用いて、大規模な行動データセット(例:UCF101)において人間の行動を分類することができるかどうかを検討している。 | この研究では人間を含まない背景のみを分析することで行動認識が可能かどうかを検証している。 | ❤️ | |||||
Ikuma Uchida | 2019 | Raymond A. Yeh; Alexander G. Schwing; Jonathan Huang; Kevin Murphy | CVPR | CVPR (The IEEE / CVF Computer Vision and Pattern Recognition Conference) | 🏀 Basketball⚽️ Soccer | Machine LearningDeep Learning | Graph Neural NetworkTrajectory Prediction | Tracking Data | マルチエージェントのトラッキングデータを用いた新しい軌道生成モデルの提案. | GNNと変分リカレントNN(VRNN)を活用しスポーツに適した順列等変量モデルを実現している点. | Ikuma Uchida | ❤️ | ||||
Ikuma Uchida | ❤️ | |||||||||||||||
Ikuma Uchida | ❤️ | |||||||||||||||
High-Speed Tiny Tennis Ball Detection Based on Deep Convolutional Neural Networks | Ikuma Uchida | Arxiv | ❤️ | |||||||||||||
Slicing Aided Hyper Inference and Fine-tuning for Small Object Detection | Ikuma Uchida | 2022 | Fatih Cagatay Akyon, Sinan Onur Altinuc, Alptekin Temizel | Arxiv | Arxiv | None | Deep LearningMachine Learning | Trajectory Retrieval | Video | 推論時に用意したグリッド内で推論する.高解像度画像の | ❤️ | |||||
Ikuma Uchida | 2021 | Maria Koshkina, Hemanth Pidaparthy, James H. Elder | CVSports | CVPR (The IEEE / CVF Computer Vision and Pattern Recognition Conference) | 🏒 Hockey | Computer VisionMachine LearningDeep Learning | Cluster analysis | Video | 対照学習による自己教師ありチーム分類手法の提案 | 教師情報不要でチームの分類が可能である. | ❤️ | |||||
Ikuma Uchida | 2022 | Di Yao , Haonan Hu , Lun Du , Gao Cong , Shi Han , Jingping Bi | KDD | ACM SIGKDD Conference on Knowledge Discovery and Data Mining | None | Deep LearningMachine Learning | Trajectory Retrieval | Tracking Data | 論文はTrajGAT(Trajectory Graph Attention Network)と名付けられた新しい手法を提案している。この手法は軌跡データの類似性を計算するためのもので、特に時空間軌跡データの類似性検出に力を発揮 | 多くの既存の軌跡類似性計算手法は短期的な局所特徴に依存しており、長期的な動きのパターンを把握することが難しい。TrajGATはこの問題をグラフ注意メカニズムによって解決 | ❤️ | |||||
Ikuma Uchida | 2022 | Zhenyu Mao, Ziyue Li, Dedong Li, Lei Bai, Rui Zhao | Arxiv | Arxiv | None | Deep LearningMachine Learning | Trajectory Retrieval | Tracking Data | 交通ネットワーク,軌跡に対する共同の対照表現学習の手法の提案 | 先行研究では主に道路ネットワークまたはトラジェクトリの一方に焦点を当てていたが、この研究では両方を統合することで、より完全な情報を提供 | ❤️ | |||||
Ikuma Uchida | 2022 | Hanyuan Zhang , Xingyu Zhang , Qize Jiang , Baihua Zheng , Zhenbang Sun , Weiwei Sun , Changhu Wang Authors Info & Claims | IJCAI | Arxiv | None | Machine LearningDeep Learning | Trajectory Retrieval | Tracking Data | ❤️ | |||||||
Ikuma Uchida | ❤️ | |||||||||||||||
A Survey on Deep Learning-based Spatio-temporal Action Detection | Ikuma Uchida | 2023 | Peng Wang , Fanwei Zeng , and Yuntao Qian | Arxiv | Arxiv | None | Machine LearningDeep LearningComputer Vision | Action Recognition | Video | 時空間行動検出におけるサーベイ論文 | ❤️ | |||||
TriDet: Temporal Action Detection with Relative Boundary Modeling | Ikuma Uchida | 2023 | Dingfeng Shi, Yujie Zhong, Qiong Cao, Lin Ma, Jia Li, Dacheng Tao | CVPR | CVPR (The IEEE / CVF Computer Vision and Pattern Recognition Conference) | None | Computer VisionDeep LearningMachine Learning | Event DetectionAction Recognition | ❤️ | |||||||
Ikuma Uchida | Silvio Giancola, Anthony Cioppa, Julia Georgieva, Johsan Billingham, Andreas Serner, Kerry Peek, Bernard Ghanem, Marc Van Droogenbroeck | CVSports | CVPR (The IEEE / CVF Computer Vision and Pattern Recognition Conference) | ⚽️ Soccer | Computer VisionMachine LearningDeep Learning | Event DetectionAction Recognition | Sports Event DataVideo | ActionSpottingにおけるActive Learning手法の提案.NetVLAD++とPTSにおいて少ない学習サンプルでも効果的に学習を進められることを確認 | Action Spottingタスクはいずれも教師あり学習で大量のサンプルが必要.この論文では同タスクでのActiveLearning手法を初めて提案 | ❤️ | ||||||
Ikuma Uchida | ❤️ | |||||||||||||||
Ikuma Uchida | 2023 | Wentao Zhu, Xiaoxuan Ma Zhaoyang Liu, Libin Liu, Wayne Wu, Yizhou Wang | ICCV | ICCV (IEEE/CVF International Conference on Computer Vision) | ❤️ | |||||||||||
Ikuma Uchida | 2020 | Rui Yan, Lingxi Xie, Jinhui Tang, Xiangbo Shu, Qi Tian | ECCV | ECCV (European Conference on Computer Vision) | 🏀 Basketball🏐 Volley Ball | Computer VisionMachine LearningDeep Learning | Action Recognition | Sports Event DataVideo | Group Activity Recognitionにおける弱教師あり学習手法の提案.重要なインスタンスの関連度合いを定量化.またNBAデータセットを公開 | ❤️ | ||||||
Ikuma Uchida | 2022 | Dongkeun Kim Jinsung Lee Minsu Cho, Suha Kwak | CVPR | CVPR (The IEEE / CVF Computer Vision and Pattern Recognition Conference) | 🏐 Volley Ball🏀 Basketball | Computer VisionMachine LearningDeep Learning | Action Recognition | VideoSports Event Data | ❤️ | |||||||
Ikuma Uchida | 2023 | CVPR | CVPR (The IEEE / CVF Computer Vision and Pattern Recognition Conference) | ❤️ | ||||||||||||
Two-Stream Networks for Weakly-Supervised Temporal Action Localization with Semantic-Aware Mechanisms | Ikuma Uchida | 2023 | Yu Wang, Yadong Li , Hongbin Wang | CVPR | CVPR (The IEEE / CVF Computer Vision and Pattern Recognition Conference) | None | Computer VisionMachine LearningDeep Learning | Action Recognition | Video | ❤️ | ||||||
Ikuma Uchida | 2023 | Pilhyeon Lee, Taeoh Kim, Minho Shim, Dongyoon Wee, Hyeran Byun | CVPR | CVPR (The IEEE / CVF Computer Vision and Pattern Recognition Conference) | NoneOther | Computer VisionMachine LearningDeep Learning | Action Recognition | Video | クロスモーダル知識蒸留を活用した新しい動画認識手法の提案. | 知識蒸留蒸留の処理中に,RGB情報と動きの情報が必然的に絡み合う事を問題として捉え,異なるモデルを分離して学習するパイプラインを構築 | ❤️ | |||||
Ikuma Uchida | 2023 | Naga VS Raviteja Chappa , Pha Nguyen, Alexander H Nelson , Han-Seok Seo , Xin Li Page Daniel Dobbs ,Khoa Luu | CVPR | CVPR (The IEEE / CVF Computer Vision and Pattern Recognition Conference) | 🏀 Basketball | Computer VisionMachine LearningDeep Learning | Action Recognition | VideoSports Event Data | ラベルづけされていない映像を用いたGroup Activity Recognitionにおける,新しい自己教師あり学習手法の提案 | Global Temporal ViewsとLocal Spatiotemporal Viewsという概念を導入し,フレームの集合(ビュー)と他のフレームとの関連度(類似度)を学習している点が新しい. | ❤️ | |||||
Ikuma Uchida | 2023 | Lilang Lin, Jiahang Zhang, Jiaying Liu* | CVPR | CVPR (The IEEE / CVF Computer Vision and Pattern Recognition Conference) | None | Computer VisionDeep LearningMachine Learning | Action Recognition | Video | Actionletベースの自己教師あり学習の行動認識手法の提案 | この手法ではActionletを用いることで,アクション領域の非アクション領域のを切り離すための特徴量を構築できるところがユニーク | ❤️ | |||||
Ikuma Uchida | 2023 | Jathushan Rajasegaran, Georgios Pavlakos , Angjoo Kanazawa , Christoph Feichtenhofer, Jitendra Malik | CVPR | CVPR (The IEEE / CVF Computer Vision and Pattern Recognition Conference) | None | Computer VisionDeep Learning | Action RecognitionMulti Object TrackingPose Estimation | Human Pose DataVideo | 行動認識におけるトラッキングと3Dポーズを活用することの利点に触れる,この研究では人の動きの軌跡上で行動を分析するラグランジュ行動認識モデルを提案している. |
| ❤️ | |||||
A Method of Football‑Ofside Detection Using Multiple Cameras for an Automatic Linesman Assistance System | Ikuma Uchida | 2019 | Sirimamayvadee Siratanita · Kosin Chamnongthai· Mitsuji Muneyasu | SpringerML | ⚽️ Soccer | Computer Vision | Action RecognitionEvent Detection | Sports Event Data | マルチアングルビューでのオフサイド検出手法の提案 | マルチアングルにセットアップに拡張することでオクルージョンの問題に対応.性能面においてエキスパート相当の検出性能を達成 | ❤️ | |||||
Ikuma Uchida | 2023 | Gurkirt Singh Vasileios Choutas Suman Saha Fisher Yu | WACV | Other | Computer VisionMachine LearningDeep Learning | Action RecognitionEvent Detection | VideoSports Event Data | モーションが大きいシーンにおけるアクション検出手法の提案.UCFとMultisportsデータセットでSOTA | TOI-Align(Track-of-Interest Align)を用いた特徴抽出を提案し、TAAD(Track Aware Action Detector)を提案 | ❤️ | ||||||
Ikuma Uchida | 2022 | Mohammed Yassine Kazi Tani, Lamia Fatiha Kazi Tani , Abdelghani Ghomar | TURCOMAT | ⚽️ Soccer | Computer VisionDeep LearningMachine Learning | Event Detection | VideoAudio DataSports Event Data | ビデオシーケンス内におけるオフサイドイベントを,を画像情報と音声情報を用いて検出する手法の提案 | 画像情報だけでなく音声情報を用いている点が新しい. | ❤️ | ||||||
Use of deep learning in soccer videos analysis: survey | Ikuma Uchida | 2022 | Sara Akan, Songül Varlı | SpringerML | ⚽️ Soccer | Computer VisionMachine LearningDeep Learning | ❤️ | |||||||||
Ikuma Uchida | 2023 | CVPR | CVPR (The IEEE / CVF Computer Vision and Pattern Recognition Conference) | ❤️ | ||||||||||||
Ikuma Uchida | 2023 | Zheng Qin, Sanping Zhou, Le Wang, Jinghai Duan, Gang Hua, Wei Tang | CVPR | CVPR (The IEEE / CVF Computer Vision and Pattern Recognition Conference) | None | Deep LearningComputer VisionMachine Learning | Multi Object Tracking | VideoTracking Data | 群衆やオクルージョンの多い環境下での誤認識に対応したアプローチ,MotionTrackの提案.MOT17とOMT20データセットでSOTA | ターゲット間の相互作用をモデル化する「Interaction Module」と (3)識別可能なモーションパターンを学習する「Refind Module」を設計し、失われたトラックレットを現在の検出値で再識別できるようにしている。 | ❤️ | |||||
Ikuma Uchida | 2023 | Hsiang-Wei Huang, Cheng-Yen Yang, Jenq-Neng Hwang, Chung-I Huang | Arxiv | Arxiv | Other | Computer VisionMachine LearningDeep Learning | Multi Object TrackingObject Detection | VideoTracking Data | スポーツ競技のような環境でのMOT手法の提案.ExpantionIoUというアプローチを提案してtracklet | 画像ベースのMOT手法と比較して、低い計算コストを維持しながら、追加の学習データを必要とせず、優れた追跡性能を達成 | ❤️ | |||||
Ikuma Uchida | 2023 | Jan Held, Anthony Cioppa, Silvio Giancola, Abdullah Hamdi, Bernard Ghanem, Marc Van Droogenbroeck | CVSports | CVPR (The IEEE / CVF Computer Vision and Pattern Recognition Conference) | ⚽️ Soccer | Deep LearningMachine LearningComputer Vision | Action RecognitionMulti Object Tracking | Video | VARでの使用を想定してた動画認識データセットとベンチマーク手法の提案 | VARの自動化に動画認識手法を用いた初の取り組み | ❤️ | |||||
Ikuma Uchida | 2018 | Xiucheng Li , Kaiqi Zhao , Gao Cong, Christian S. Jensen , Wei Wei | ICDE | IEEE International Conference on Data Engineering | None | Deep LearningMachine Learning | Trajectory Retrieval | Tracking Data | 低品質のデータに対してロバストな軌道を検索する表現学習アプローチの提案.k-nearest trajectory検索のための最新手法より精度が高い. | ❤️ | ||||||
Ikuma Uchida | 2022 | Di Yao , Haonan Hu , Lun Du , Gao Cong , Shi Han , Jingping Bi | KDD | ACM SIGKDD Conference on Knowledge Discovery and Data Mining | None | Deep LearningMachine Learning | Trajectory Retrieval | Tracking Data | 類似軌道の算出アプローチであるtrajGATの提案.先行研究と比較しSOTA | 長期のシーケンスに対しての類似軌道が劇的に低下していた.trajGATにより長期記憶に対応 | ❤️ | |||||
Ikuma Uchida | 2023 | Christian Keilstrup Ingwersen , Christian Møller Mikkelstrup Janus Nørtoft Jensen, Morten Rieger Hannemose, Anders Bjorholm Dahl | CVSports | CVPR (The IEEE / CVF Computer Vision and Pattern Recognition Conference) | Other | Computer VisionDeep Learning | Pose Estimation | Human Pose Data | スポーツのダイナミックな動きからなる大規模な3D人物ポーズデータセットであるSportsPoseを提案。SportsPoseは、24人の被験者が5種類のスポーツを行う際の176,000以上の3Dポーズを収録しており、スポーツ動作の複雑で動的な性質を反映した多様で包括的な3Dポーズセットを提供. | Human3.6Mや3DPWよりも多様で複雑な動作を含んだデータセットであり,またマーカーベースと比較して誤差が少ない,3DPWに匹敵する. | ❤️ | |||||
Ikuma Uchida | 2019 | Di Yao, Gao Cong, Chao Zhang, Jingping Bi | Arxiv | Arxiv | None | Trajectory Retrieval | Tracking DataSimulation Data | 軌跡の類似性計算を高速化するためにNEUTRAJを提案 | NEUTRAJは、既存のあらゆる軌跡指標に対応する汎用性を持ち、与えられた軌跡ペアの類似性を線形時間で高速に計算する。さらに、 NEUTRAJは、空間ベースの軌跡インデックス作成手法と連携して、検索空間を縮小する. | ❤️ | ||||||
Ikuma Uchida | 2023 | Luping Wang, Hao Guo, Bin Liu | Arxiv | Arxiv | ⚽️ Soccer | Deep LearningMachine LearningComputer Vision | Action RecognitionBall Action Spotting | VideoSports Event Data | SoccerNet Challenge Ball Action Spotting における2位の解法.E2E-Spotを拡張したモデルアンサンブル手法のBoosted Model Ensembling (BME)を提案 | データセットのアンサンブル方法,学習時のデータのサンプリング方法に特に工夫が見られる. | ❤️ | |||||
Ikuma Uchida | 2023 | Hyunsung Kim, Han-Jun Choi | KDD | ACM SIGKDD Conference on Knowledge Discovery and Data Mining | ⚽️ Soccer | Deep LearningSports Evaluation Metrics | Trajectory Prediction | Tracking Data | 選手の軌道データからボールの位置情報を予測する手法の提案.Set TransoformerとBiLSTMを用いてボール保持確率を求め,その情報から位置情報の予測を行っている. | 今回は将来の軌道を予測する確率論的な問題ではなく,位置情報の予測ということでより決定論的なアプローチが求められる.この手法では復元タスクではなく回帰アプローチでタスクを解いている点は新しい. | ❤️ | |||||
Ikuma Uchida | 2022 | None | Trajectory Prediction | ❤️ | ||||||||||||
Ikuma Uchida | 2018 | Xiucheng Li, Kaiqi Zhao , Gao Cong , Christian S. Jensen , Wei Wei | Arxiv | Arxiv | None | Machine LearningDeep Learning | Representation Learning | Tracking Data | ❤️ | |||||||
Ikuma Uchida | ❤️ | |||||||||||||||
Ryo Fujiwara | 2002 | A.M Nevill, N.J Balmer, A Mark Williams | Psychology of Sport and Exercise | ⚽️ Soccer | Statistical Model | タグ付き動画Video | 歓声がある状態とない状態のビデオをサッカーの審判に見せた結果、歓声ありの場合のみホームチーム贔屓の判定をすると示した論文 | サッカーの審判が、観客の声援に同調している可能性(同調効果)を示した。 | Atom ScottRyo FujiwaraTakuImaizumi (nowism)CHIBAYOHEI | ❤️ 4 | ||||||
Seiji Hirosawa | 2022 | Rauer T, Pape H-C, Stehlin Z, Heining S, Knobe M, Pohlemann T, Ganse B | PLOS ONE | PLOS ONE | ⛸ Figure-skating | Sports performance | Statistical Model | Sports Event Data | 新採点システム導入後から欧州選手権と世界選手権でトップ5選手の平均年齢と実施したジャンプの回転数を検討。男子の平均年齢は世界選手権は変わらず、欧州選手権では上がった。女子選手はいずれも下がった。欧州選手権・世界選手権ともに回転数の少ないジャンプが減り、回転数の多いジャンプが増えている。 | ジャンプの回転数の変遷について調査した初めての論文 | ❤️ | |||||
Seiji Hirosawa | 2018 | Alexandra Pizzera , Carsten Möller , Henning Plessner | Res Q Exerc Sport | Research Quarterly for Exercise and Sport | Other | Sport Psychology | Statistical Model | Eye Tracking Data | 所持している審判資格レベル、判定する試技が自分で実施できるかどうかによって体操競技の審判員が判定をする際にどこに着目しているかが変わるかどうかをアイトラッカーを用いて検証したもの。高い審判資格の判定精度が高いことは、特定のポイントに頻繁に着目できていることから生じているのことを示唆。 | 体操競技において、審判資格のレベルを統制して判定パフォーマンスと視覚行動を検討している点 | ❤️ | |||||
Seiji Hirosawa | 2022 | Seiji Hirosawa, Michiko Watanabe , Yoshimitsu Aoki | J Sports Sci | Journal of Sports Sciences | ⛸ Figure-skating | Sports Evaluation Metrics | Statistical Model | Tracking Data | 世界選手権女子シングルSPで実施されたダブルアクセルジャンプについて、審判がつけた出来栄え点とトラッキングデータから得られるジャンプの高さ、幅、着氷後の速度を検討。出来栄え点を獲得するには、垂直成分をできるだけ抑えた上で、幅と着氷速度を高めるほうが良いことを示唆 | 実際の世界選手権で審判がつけた出来栄え点と運動学的特徴量を検討している点。これまでジャンプの研究は実験環境下のものがほとんどであり、審判の評価と運動学的特徴量の関係性は未着手であった。 | ❤️ | |||||
Seiji Hirosawa | 2015 | Flessas K, Mylonas D, Panagiotaropoulou G, Tsopani D, Korda A, Siettos C, Di Cagno A, Evdokimidis I, Smyrnis N | Med Sci Sports Exerc | Medicine and science in sports and exercise | Other | Sport Psychology | Statistical Model | Eye Tracking Data | 新体操の演技評価中の審判の眼球運動をトラッキングし、各審査員が映像を見ている割合と、選手の演技に失敗があったときの各審査委員の注視行動について検討したもの。エラーを検出するために視覚的注視を効率的に使用することが期待されたが、国際レベルの審査員は国内レベルの審査員とは異なり、エラー検出に注視を用いずにエラーを検出している可能性 | 着目すべき物体が多い新体操競技で審判の判定時の眼球運動について検討した初めての論文 | ❤️ | |||||
Seiji Hirosawa | 2018 | Luis del Campo, V., Espada Gracia, I | Curr Psychol | Current Psychology | Other | Sport Psychology | Statistical Model | Eye Tracking Data | 体操の技術判定において、審判・選手・コーチというバックグラウンドの違いによって判定精度と視覚行動に差があるかを検証したもの。選手は審判、コーチと比べて異なる視覚行動を示していた。判定精度は審判・コーチ・選手の順に高かったが有意差は検出できていない。 | 選手は技の評価経験が少ないため、技に関する情報を知覚するのに時間を要し、注視回数と注視時間が長いことを示唆 | ❤️ | |||||
Seiji Hirosawa | 2021 | Mack M, Schmidt M, Heinen T | J Hum Kinet | Journal of human kinetics | Other | Sport Psychology | Cluster analysis | Human Pose DataSports Event Data | 体操競技の技の判定において、被験者が知覚した動きの質とその運動学的パターンとの関係、またこの関係に対する専門知識の影響を調査したもの。知覚した動きの質のパターンと運動学的パターンの関連に有意な相関はなかった。また選手(Motor experts)と審判コーチ(Visual experts)の評価、審判コーチと素人の評価には有意な相関が見られた。以上より判定者の視覚運動経験によって技の質の知覚認知結果が異なることを示唆。 | 選手(motor experts)審判コーチ(visual experts)体操経験無し(Novices)それぞれが良い動きであると認識した試技について運動的な特徴が似ているかどうかを検証している点 | ❤️ | |||||
Seiji Hirosawa | 2020 | Mack Melanie | Adv Cogn Psychol | Advances in cognitive psychology | Other | Sport Psychology | Statistical Model | Eye Tracking Data | 体操の判定において、試技の運動学的なパターンと判定パフォーマンス及び視覚行動の関連について、被験者の専門性の違いを考慮して検討したもの。判定パフォーマンスにおいて、被験者の専門性の違いは見られたものの、視覚行動については差は見られなかった。 | 試技の運動学的パターンと視覚行動、判定パフォーマンスの関連という点に着目している。判定パフォーマンスにおいて、被験者の専門性の違いは見られたものの、視覚行動については差は見られなかった。 | ❤️ | |||||
Tomohiro Suzuki | 2021 | Katja Ludwig, Sebastian Scherer, Moritz Einfalt, Rainer Lienhart | ICMEW | IEEE International Conference on Multimedia & Expo Workshops | Other | Deep LearningComputer Vision | Pose Estimation | Human Pose DataVideo | 事前学習済みPose Estimationモデルを、少量のラベル付き画像とラベルなし画像でFine-tuningして特定ドメインへの性能を向上 | HigherHRNetを陸上競技跳躍種目の50枚のラベル付き画像とラベルなし動画を用いてFine-tuningし、完全教師あり学習との性能さを大幅に縮小した。汎用的な姿勢推定モデルを特定ドメインに特化したモデルに仕上げるのに有用。さらに、関節位置のアノテーションコストを大幅に下げることができる。 | Ikuma UchidaAtom Scott | ❤️ 2 | ||||
一般社団法人日本スポーツアナリスト協会 | 2022 | Matthew Wear , Ryan Beal, Tim Matthews , Tim J. Norman, and Sarvapali D. Ramchurn | Arxiv | Arxiv | ⚽️ Soccer | Computer Vision | Deep LearningMachine Learning | Video | 今年のSSACからサッカーのGK絡みで | ❤️ | ||||||
Crowd Noise as a Cue in Referee Decisions Contributes to the Home Advantage | 白戸豪大 | 2010 | Unkelbach, C., Memmert, D | Journal of Sport and Exercise Psychology | ⚽️ Soccer | Statistical Model | Sports Event Data | サッカー場の形状と、判定のホームアドバンテージの関係性を調べた論文。陸上トラックが存在せず観客席とピッチが近い場合にホームアドバンテージが増加すると示唆された | サッカーのホームアドバンテージについて、スタジアムの形状を変数とした点 | ❤️ | ||||||
Comparing the constraints led approach, differential learning and prescriptive instruction for training opposite-field hitting in baseball | 白戸豪大 | 2020 | Gray, R | Psychology of sport and exercise | ⚾️ Baseball | Sports Evaluation Metrics | Statistical Model | Sports Event DataTracking Data | 制約を用いた練習で、流し打ちを効率的に上達できることを示した。ちなみにこの研究で用いた制約は、ドライブライン(シアトルにある有名野球ジム)の練習ドリルを参考にしている | CLA(制約主導アプローチ)の有効性を野球を例に示した | ❤️ | |||||
白戸豪大 | 2018 | Gray, R | Sport Exercise and Performance Psychology | ⚾️ Baseball | Sports Evaluation Metrics | Statistical Model | Tracking DataSports Event Data | 野球の上達において、制約主導型アプローチ(CLA)と従来の練習法を比較した研究。制約主導型アプローチの群において、効率的に上達できたとの報告 | CLA(制約主導型アプローチ)の有効性を野球で示した | TakuImaizumi (nowism)Ikuma Uchida | ❤️ 2 | |||||
Learning Soccer Juggling Skills with Layer-wise Mixture-of-Expert | 白戸豪大 | 2022 | SIGGRAPH | ⚽️ Soccer | Deep LearningDeep Reinforcement Learning | Deep Learning | Simulation DataVideo | ❤️ | ||||||||
SoccerTrack: A Dataset and Tracking Algorithm for Soccer with Fish-eye and Drone Videos | 白戸豪大 | 2022 | Atom Scott, Ikuma Uchida, Masaki Onishi, Yoshinari Kameda, Kazuhiro Fukui, Keisuke Fujii | CVSports | International Workshop on Computer Vision in Sports at CVPR | ⚽️ Soccer | Computer Vision | Deep LearningMulti Object Tracking | VideoTracking Data | Ikuma Uchida | ❤️ | |||||
Round Numbers as Goals: Evidence From Baseball, SAT Takers, and the Lab | 白戸豪大 | 2011 | Pope, D., Simonsohn, U. | Psychological science | ⚾️ Baseball | Statistical Model | Sports Event Data | 野球で.299でシーズンを終える打者より.300で終える打者が有意に多く、3割直前でむかえたシーズン最終打席で四球を選んだ打者が一人もいないことを示した論文。3割という基準点にパフォーマンスが影響される可能性を示唆した | ❤️ | |||||||
Detection of tactical patterns using semi-supervised graph neural networks | 白戸豪大 | 2022 | Gabriel Anzer, Pascal Bauer, Ulf Brefeld, Dennis Fassmeyer | MITSSAC | MIT Sloan Sports Analytics Conference | ⚽️ Soccer | Machine Learning | Graph Neural NetworkEvent DetectionAction Recognition | Sports Event DataTracking Data | トラッキング・イベントデータを用いた戦術行動の自動検知 | ❤️ | |||||
Beyond action valuation: A deep reinforcement learning
framework for optimizing player decisions in soccer | 白戸豪大 | 2022 | Pegah Rahimian – Jan Van Haaren – Togzhan Abzhanova – Laszlo Toka | MITSSAC | MIT Sloan Sports Analytics Conference | ⚽️ Soccer | Machine Learning | Deep LearningStatistical Model | Sports Event DataTracking Dataスタッツデータ | ゲーム状況に応じたアクション・意思決定の評価と、最適解の提案が可能なフレームワーク | ❤️ | |||||
Pose Tutor: An Explainable System for Pose Correction in the Wild | 白戸豪大 | 2022 | Bhat Dittakavi, Divyagna Bavikadi, Sai Vikas Desai, Soumi Chakraborty, Nishant Reddy, Vineeth N Balasubramanian, Bharathi Callepalli, Ayon Sharma | CVSports | International Workshop on Computer Vision in Sports at CVPR | Other | Computer VisionDeep Learning | Pose Estimation | Human Pose Data | AIベースの説明可能なポーズ認識・修正システムであるPose Tutorを開発.角度尤度メカニズムにより、どの人間の関節がポーズクラス予測を最大に引き起こしたかを説明し、また、間違って形成された関節を修正するために使用 | 姿勢だけではなく、理想状態の姿勢と現状の姿勢との差分をエンドツーエンドでフィードバックする仕組みは初めて | Ikuma Uchida | ❤️ | |||
SoccerNet-Tracking: Multiple Object Tracking Dataset and Benchmark in Soccer Videos | 白戸豪大 | 2022 | A. Cioppa, S. Giancola, A. Deliege, L. Kang, X. Zhou, Z. Cheng, B. Ghanem, M. Van Droogenbroeck | CVSports | International Workshop on Computer Vision in Sports at CVPR | ⚽️ Soccer | Computer VisionDeep Learning | Deep LearningMulti Object Tracking | Tracking DataVideo | サッカーにおけるマルチオブジェクトトラッキングのためのデータセット及びベンチマークの公開。各30秒の放送映像の200シーケンス | 放送映像を用いた大規模なトラッキングデータの公開は初めて | Ikuma Uchida | ❤️ | |||
Pass Receiver Prediction in Soccer using Video and Players’ Trajectories | 白戸豪大 | 2022 | Yutaro Honda, Rei Kawakami, Ryota Yoshihashi, Kenta Kato, and Takeshi Naemura | CVSports | International Workshop on Computer Vision in Sports at CVPR | ⚽️ Soccer | Computer VisionDeep Learning | Multi Object Tracking | Tracking Data | サッカー映像において視覚情報と位置情報からパスの受け手を推測 | パスのレシーバー検出のタスクにおいてSOTA。画像情報とトラッキングデータの両方を活用してイベント検出を行うことが効果的であることを示した | Ikuma Uchida | ❤️ | |||
“Quality vs Quantity”: Improved Shot Prediction in Soccer using Strategic Features from Spatiotemporal Data | 白戸豪大 | 2015 | MITSSAC | MIT Sloan Sports Analytics Conference | ⚽️ Soccer | Statistical Model | Spatio-Temporal DataTracking Data | シュート前10秒間の時空間データ(n=9,732)から得点の可能性を推定した。別の先行研究の軌跡可視メソッドと併用することで、チャンスの質と量の両方を関数化することが出来ている。 | ❤️ | |||||||
Winning duels in VALORANT, a visualization of optimal positioning | 白戸豪大 | 2022 | NRG DeMars DeRover | MITSSAC | MIT Sloan Sports Analytics Conference | 🎮 E-Sports | Machine Learning | Machine Learning | Sports Event Data | 銃を使って撃ち合うE-SportsであるVALORANTにおいて、位置情報を含む各種メトリクスをINPUTとして、勝敗を予測する分類モデルを構築し、個人の強み・弱みの可視化や最適なポジニングを提案 | ❤️ | |||||
Using Tracking and Charting Data to Better Evaluate NFL Players: A Review | 白戸豪大 | 2022 | Eric Eager, Ben Brown, George Chahrouri, Timo Riske, Brad Spielberger, Lau Sze Yui, Zach Drapkin, Tej Seth | MITSSAC | MIT Sloan Sports Analytics Conference | 🏈 American Football | Machine Learning | Machine Learning | Sports Event DataTracking Data | イベントデータとトラッキングデータを組み合わせて、pass rushers, linebackers, receiversへの新たな評価モデルを構築し、より優れた形で選手を評価できたことを確認 | ❤️ | |||||
Using Machine Learning to Describe how Players Impact the Game in the MLB | 白戸豪大 | 2022 | Connor Heaton & Prasenjit Mitra | MITSSAC | MIT Sloan Sports Analytics Conference | ⚾️ Baseball | Machine Learning | Machine Learning | Sports Event Data | Play by Playのデータとスタッツデータを組み合わせて、64の特徴量を生成し、試合結果を予測するモデルを構築することで、文脈に基づいて、選手のイベントが試合結果へどのように影響するか説明可能になる。 | ❤️ | |||||
Using Hex Maps to Classify & Cluster Dribble Hand-off Variants in the NBA | 白戸豪大 | 2022 | Koi Stephanos, Ghaith Husari, Brian Bennett, Matthew Harrison, Emma Stephanos | MITSSAC | MIT Sloan Sports Analytics Conference | 🏀 Basketball | Machine Learning | Machine Learning | Sports Event DataTracking Data | NBAのイベントデータとトラッングデータを組み合わせて、ドリブルハンドオフ(DHO)に該当するプレイパターンを検知し、そのなかで特徴の差異を明らかにするためにクラスタリングを施し、選手のプレイや能力により深い洞察を提供 | ❤️ | |||||
Sports narrative enhancement with natural language generation | 白戸豪大 | 2022 | Henry Wang, Saman Sarraf, Arbi Tamrazian | MITSSAC | MIT Sloan Sports Analytics Conference | Machine Learning | Machine Learning | Sports Event Data | 構造化データから自然言語処理を使用して、エンドツーエンドの機械学習パイプラインを構築し、より自然に聞こえるナラティブを生成可能であることを確認 | ❤️ | ||||||
Decoding MLB Pitch Sequencing Strategies via Directed Graph Embeddings | 白戸豪大 | 2021 | Arnav Prasad | MITSSAC | MIT Sloan Sports Analytics Conference | ⚾️ Baseball | Machine Learning | Machine Learning | Tracking Data | トラッキングデータを用いて有効グラフを構築することで、投手の短期あるいは長期の投球パターンを埋め込めるようになり、対戦の事前準備や選手の評価や育成への応用可能性を示唆している。 | ❤️ | |||||
Risk of Collusion: Will Groups of 3 Ruin the FIFA World Cup? | 白戸豪大 | 2021 | Julien Guyon | MITSSAC | MIT Sloan Sports Analytics Conference | ⚽️ Soccer | Statistical Model | 2026 年の FIFA ワールドカップでは、初めて 48 の代表チームが参加し、3チームずつ16グループで構成されるグループステージで構成され、各グループの上位2チームがノックアウトステージに進むことができるレギュレーションになる。ただ、 3チームのグループを使用すると、八百長やスケジュールの不均衡のリスクなど、いくつかの公平性の問題が発生することが予想されるため、本論文では共謀のリスクを調査し、共謀のリスクを最小限に抑えるために試合スケジュールを作成する方法を提案している。 | ❤️ | |||||||
Using Mobile Location Data to Assess Sponsorship Effectiveness | 白戸豪大 | 2021 | David Schweidel, Kyeongbin Kim, Michelle Andrews | MITSSAC | MIT Sloan Sports Analytics Conference | 携帯端末の位置情報を用いて、スタジアム内に設置される広告の効果を、スタジアム来場前後において差分の差分法で検証することで、その費用対効果を明らかにしている | ❤️ | |||||||||
Routine Inspection: A playbook for corner kicks | 白戸豪大 | 2021 | Laurie Shaw, Gopaladesikan | MITSSAC | MIT Sloan Sports Analytics Conference | ⚽️ Soccer | Machine Learning | Machine Learning | Sports Event DataTracking Data | アナリストによってアノテーションされた、サッカーのコーナーキックに対するゴール前の選手の侵入パターンを、トラッキングデータから分類するモデルを構築することで、特定チームの攻略パターンを効率よく推定・分析可能になる | ❤️ | |||||
Predicting NBA Talent from Enormous Amounts of College Basketball Tracking Data | 白戸豪大 | 2021 | A.N. Patton, M.Scott, N.Walker, A.Ottenwess, P.Power, A.Cherukumudi & P.Lucey | MITSSAC | MIT Sloan Sports Analytics Conference | 🏀 Basketball | Computer Vision | Machine Learning | Video | 大学バスケの試合映像から抽出したトラッキングデータを元にイベントデータセットを作成し、それらから得られる特徴量を元にその選手がNBAでプレイできる確率を予測しながら、SHAP値によりモデルの解釈性を提供している | ❤️ | |||||
MAYFIELD: Machine Learning Algorithm for Yearly Forecasting Indicators and Estimation of Long-Run Player Development | 白戸豪大 | 2021 | Alexander H. Williams, Sethward R. Brugler, Benjamin A. Clarke | MITSSAC | MIT Sloan Sports Analytics Conference | 🏈 American Football | Machine Learning | Machine Learning | Sports Event Data | アメフトの選手のポジションごとのターゲット変数(= 能力値)の予測モデルの高性能化に成功した論文で、他のスポーツへの適用可能性が大いにある | ❤️ | |||||
I Think We'll Go to Boston - Marathon Performance Prediction | 白戸豪大 | 2021 | Varun Pemmaraju, Dave Hoch | MITSSAC | MIT Sloan Sports Analytics Conference | 🤸♂️ Fitness | Machine Learning | Machine Learning | スタッツデータSports Event Data | マラソン参加前の活動データから、タイムを予測するモデルを構築することで、パフォーマンス向上に対して影響力の大きい変数を明らかにするとともに、属性やゴールに応じてパーソナライズされたトレーニング計画を提示する | ❤️ | |||||
You Cannot Do That Ben Stokes: Dynamically Predicting Shot Type in Cricket Using a Personalized Deep Neural Network | 白戸豪大 | 2020 | Will Gürpınar-Morgan, Daniel Dinsdale, Joe Gallagher, Aditya Cherukumudi & Patrick Lucey | MITSSAC | MIT Sloan Sports Analytics Conference | ❤️ | ||||||||||
Running it Twice (or Thrice): Double-Header and Triple-Header Baseball Arbitration | 白戸豪大 | 2020 | Michael J.Hasday | MITSSAC | MIT Sloan Sports Analytics Conference | ❤️ | ||||||||||
Pulling Starters | 白戸豪大 | 2020 | Duncan Finigan, Brian M.Mills, Daniel F.Stone | MITSSAC | MIT Sloan Sports Analytics Conference | ❤️ | ||||||||||
Player Chemistry: Striving for a Perfectly Balanced Soccer Team | 白戸豪大 | 2020 | Lotte Bransen, Jan Van Haaren | MITSSAC | MIT Sloan Sports Analytics Conference | ❤️ | ||||||||||
Measuring the Impact of Robotic Umpires | 白戸豪大 | 2020 | James Zhan, Luke Gerstner, John Polimeni | MITSSAC | MIT Sloan Sports Analytics Conference | ❤️ | ||||||||||
Learning Feature Representations from Football Tracking | 白戸豪大 | 2020 | Michael Horton | MITSSAC | MIT Sloan Sports Analytics Conference | ❤️ | ||||||||||
Extracting Player Tracking Data from Video Using Non-Stationary Cameras and a Combination of Computer Vision Techniques | 白戸豪大 | 2020 | Neil Johnson | MITSSAC | MIT Sloan Sports Analytics Conference | ❤️ | ||||||||||
A No-Tanking Draft Allocation Policy | 白戸豪大 | 2020 | Martino Banchio, Evan Munro | MITSSAC | MIT Sloan Sports Analytics Conference | ❤️ | ||||||||||
SoccerCPD: Formation and Role Change-Point Detection
in Soccer Matches Using Spatiotemporal Tracking Data | 白戸豪大 | 2022 | Hyunsung Kim, Bit Kim, Dongwook Chung, Jinsung Yoon, Sang-Ki Ko | KDD | ACM SIGKDD Conference on Knowledge Discovery and Data Mining | ❤️ | ||||||||||
Seq2Event: Learning the Language of Soccer using
Transformer-based Match Event Prediction | 白戸豪大 | 2022 | Ian Simpson, Ryan J. Beal, Duncan Locke, Timothy J. Norman | KDD | ACM SIGKDD Conference on Knowledge Discovery and Data Mining | ❤️ | ||||||||||
Ikuma Uchida | ❤️ | |||||||||||||||
https://www.notion.so/jsaasarp/TTNet-Real-time-temporal-and-spatial-video-analysis-of-table-tennis-e2ee8823a2e04d99ac24838a552212fc?pvs=4
https://www.notion.so/jsaasarp/Automated-Offside-Detection-by-Spatio-Temporal-Analysis-of-Football-Videos-04e34a049f5346daa02f2a7e03d732d1?pvs=4
https://www.notion.so/jsaasarp/A-new-look-into-Off-ball-Scoring-Opportunity-taking-into-account-the-continuous-nature-of-the-game-d155467d5aa543bab4a5d1ec6ffce935?pvs=4
https://www.notion.so/jsaasarp/OBSO-Beyond-Expected-Goals-d112572808fb4718b0509c93b1acfe95?pvs=4
https://www.notion.so/jsaasarp/Thinking-the-GOAT-Imitating-Tennis-Styles-6e94730e9f7a4a008f90ec4381fa6638?pvs=4
https://www.notion.so/jsaasarp/Fine-grained-retrieval-of-sports-plays-using-tree-based-alignment-of-trajectories-e78a10640d4448ac9517a5146072e7e6?pvs=4
https://www.notion.so/jsaasarp/Learning-to-track-and-identify-players-from-broadcast-sports-videos-e7a628a8d9074fe89576a575ac8f6c20?pvs=4
https://www.notion.so/jsaasarp/An-examination-of-expected-goals-and-shot-efficiency-in-soccer-ffcd7fa51f074072a5c517a949dcfaa5?pvs=4
https://www.notion.so/jsaasarp/Evaluation-of-soccer-players-to-create-scoring-opportunities-for-teammates-based-on-their-trajectory-7ecfb6de8fff435cb80b0f70ff0bd6a1?pvs=4
https://www.notion.so/jsaasarp/SIMPLE-ONLINE-AND-REALTIME-TRACKING-WITH-A-DEEP-ASSOCIATION-METRIC-22e7a611b47447619e6d35640e2427b6?pvs=4
https://www.notion.so/jsaasarp/SportsTrack-An-Innovative-Method-for-Tracking-Athletes-in-Sports-Scenes-40d5f000b5934f74a295f0b2fc658f39?pvs=4
https://www.notion.so/jsaasarp/Spotting-Temporally-Precise-Fine-Grained-Events-in-Video-f409d1a783794234afa314c20c863eaa?pvs=4
https://www.notion.so/jsaasarp/A-Survey-on-Video-Action-Recognition-in-Sports-Datasets-Methods-and-Applications-ebacb293e7d346c28e557f8d0823b0cd?pvs=4
https://www.notion.so/jsaasarp/Segment-Anything-b1499a2b4e494f7183587b1cbcfdd41b?pvs=4
https://www.notion.so/jsaasarp/Group-Activity-Recognition-in-Basketball-Tracking-Data-Neural-Embeddings-in-Team-Sports-NETS-fcfd926e9a4749beb0b2c74a0b93c46d?pvs=4
https://www.notion.so/jsaasarp/Human-Action-Recognition-without-Human-30951eb70cdd4c6f90b1f108b52b2fee?pvs=4
https://www.notion.so/jsaasarp/Diverse-Generation-for-Multi-agent-Sports-Games-b769b949bf1b4dfb9c37efce698f687d?pvs=4
https://www.notion.so/jsaasarp/c54e5627b592485696ac7b6e86272be6?pvs=4
https://www.notion.so/jsaasarp/88e023de52864ba8996529d7637c8f35?pvs=4
https://www.notion.so/jsaasarp/High-Speed-Tiny-Tennis-Ball-Detection-Based-on-Deep-Convolutional-Neural-Networks-05d25a6399aa46e086d7088b7fff33e2?pvs=4
https://www.notion.so/jsaasarp/Slicing-Aided-Hyper-Inference-and-Fine-tuning-for-Small-Object-Detection-85c68b8188e54fcda05302e073d64251?pvs=4
https://www.notion.so/jsaasarp/Contrastive-Learning-for-Sports-Video-Unsupervised-Player-Classification-dbbe99a4f5eb43fc83a2a6f66d48d68c?pvs=4
https://www.notion.so/jsaasarp/TrajGAT-A-Graph-based-Long-term-Dependency-Modeling-Approach-for-Trajectory-Similarity-Computation-aec4afc3d77540929aee977531c17785?pvs=4
https://www.notion.so/jsaasarp/Jointly-Contrastive-Representation-Learning-on-Road-Network-and-Trajectory-fefb35feeb644ead83196a0f6eb30364?pvs=4
https://www.notion.so/jsaasarp/Trajectory-Similarity-Learning-with-Auxiliary-Supervision-and-Optimal-Matching-5dc531c526414e87b5bd51a590bbcacc?pvs=4
https://www.notion.so/jsaasarp/Spatio-Temporal-Trajectory-Similarity-Measures-A-Comprehensive-Survey-and-Quantitative-Study-57a66d20be18431eab8e17953e270484?pvs=4
https://www.notion.so/jsaasarp/A-Survey-on-Deep-Learning-based-Spatio-temporal-Action-Detection-3f81a80f645445d78b7846c9fcf32637?pvs=4
https://www.notion.so/jsaasarp/TriDet-Temporal-Action-Detection-with-Relative-Boundary-Modeling-452ac391e058403db96e06b198ed2736?pvs=4
https://www.notion.so/jsaasarp/Towards-Active-Learning-for-Action-Spotting-in-Association-Football-Videos-9a5975ecb78c4f02b6337bb7651fcd8e?pvs=4 | Ikuma Uchida | ❤️ |