BasketballGAN: 通过素描生成篮球比赛模拟
通过 PLAYBEST 方法,结合基于历史 NBA 运动跟踪数据的生成模型和价值函数,对行动轨迹进行条件采样以及分类器引导采样,生成高效的篮球战术策略,表现优异,超过传统的规划技术,适应性和灵活性更强。
Jun, 2023
使用一张第一人称视角的图片,通过 12 维相机配置轨迹生成篮球运动序列,并通过卷积神经网络和目标检查器网络来验证和细化相机配置序列以实现更真实的篮球运动序列。
Mar, 2018
本文介绍了 GameGAN 这个生成模型,它通过学习代理与环境交互中的表现来模拟图形游戏环境,并通过内部环境地图和动静分离的方式实现更高的可解释性和更广泛的应用。
May, 2020
通过使用机器学习,该研究提出了一种能够通过观察图像数据和相关动作对来学习环境行为并进行建模的高质量神经模型,称为 DriveGAN,不需要监督信号训练控制模型,并在多个数据集上进行了训练和测试,表现优于之前的数据驱动模拟器,实现了对场景和非玩家对象的各个方面进行控制的新功能。
Apr, 2021
本文介绍了一种用于拟合协调多智能体轨迹行为的分层生成模型框架,并利用编程生成的弱标签扩展到时空范畴,非常适合处理如篮球比赛中的复杂互动以及生成真实的多智能体轨迹。
Mar, 2018
本研究针对职业篮球中选手的筛选和評估进行了深入的探讨,提出了一种基于动态网络模型的 Continuous-time 随机块模型,可以实现针对不同的数据维度进行切割,以减少应试者范围。此模型与传统的统计分析方法不同,可以捕捉到选手之间的相互作用,并揭示出不同球队的进攻策略之间的微妙差异,为篮球管理层提供了很好的支持。
Jul, 2015
通过使用条件生成对抗网络 (cGANs) 创建合成的动力学数据集,该研究旨在扩充训练数据集并改善任务分类准确性,有效地提高机器学习模型在中风康复中的应用。
Jun, 2024
在 NBA 分析革命中,通过机器学习技术使用线性回归模型和神经网络回归模型验证与不同 NBA 比赛类型相关的统计数据 ORTG(进攻评分),最终发现神经网络回归模型略优于线性回归模型。利用这些模型的准确性,进一步优化模型输出,以实现高效的进攻战术组合。
Aug, 2023
该论文提出了一种基于 Set Transformer 和层次结构的推理框架,用于通过球员轨迹推断足球的轨迹,实现了自然且准确的轨迹预测,并提出了几种实用的应用包括缺失轨迹计算与自动放映。
Jun, 2023
我们提出了一种基于 Transformer 解码器的模型 SportsNGEN,通过训练运动员和球的追踪序列,能够生成逼真且持续的游戏场景。我们使用大量职业网球追踪数据来训练和评估 SportsNGEN,并证明通过将生成的模拟结果与射击分类器和逻辑以开始和结束比赛,该系统能够模拟整个网球比赛。此外,可以通过在包括该选手的比赛数据上进行微调,将通用版本的 SportsNGEN 定制为特定选手。我们展示了我们的模型经过校准,并且可以通过评估反事实或 “假设是” 选项来为教练和广播人员提供见解。最后,我们展示了类似的方法也适用于足球。
Feb, 2024