篮球中球员及球队表现的建模
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
本文介绍了一种自动工具,可以及时提供运动员的表现分析图,同时考虑了比赛风格和游戏动态等因素,并生成易于解释的热图来分析非空间因素如何影响球员表现。
Mar, 2023
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
本文总结了最近光学跟踪的方法,并提供了传统和深度学习方法的综合分类法。同时,还讨论了跟踪数据的预处理步骤、该领域中最常见的挑战以及跟踪数据在运动队中的应用。最后,通过对成本和限制的比较,突出了可能的未来研究方向。
Apr, 2022
研究了国家篮球协会(NBA)球员在比赛过程中复杂决策问题的解决方法,提出了一种基于 LSTM 架构的方法来预测运动轨迹和其概率,并通过多模式损失函数更新最佳轨迹,实验结果表明该方法胜过现有技术且能够学习到球员的个人风格。
Aug, 2020
本文提出一种从篮球运动员的第一人称视频中评估他 / 她表现的方法,并使用经过卷积 LSTM 网络处理过的原子篮球事件来构建高度非线性的视觉空间时间篮球评估特征以帮助评估。
Nov, 2016
本文提出一种基于整数规划的方法,建模球和球员之间的交互,并对球的轨迹施加适当的物理约束条件,以提高低分辨率视频中球的跟踪精度和鲁棒性,在排球、篮球和足球等实际应用场景中表现比现有研究更优秀。
Nov, 2015
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