Jul, 2023

CAMP：一种上下文感知的板球运动员表现度量

PDF
TL;DR基于数据挖掘和精确的表现情景，我们提出了一种用于量化板球比赛中球员个人贡献度的上下文感知度量方法 CAMP，并通过对 2001 年至 2019 年之间的有限局板球比赛数据的实证评估，证明了 CAMP 在选人、训练和制定策略等方面的优越性。
cricketplayer performancecampdata miningcontext-aware
发现论文，激发创造
  • 基于数据驱动的机器学习方法对足球表现和球员排名的评估

    本文介绍 PlayeRank，一个基于数据驱动的框架，可提供多维度、角色感知的足球运动员表现评估，通过与其他算法和专业球探的评估比较，表明 PlayeRank 在表现评估方面显著优于竞争对手，同时探讨了该框架的一些应用，展示了其灵活性和效率，值得用于设计一个可扩展的足球分析平台。

    Feb, 2018

  • 球员压力图 - 一种评估不同比赛背景下球员表现的足球压力新表达方式

    提供了一种基于追踪数据、事件数据和比赛录像的足球比赛场景中球队所承受压力的捕捉方法，利用球员压力图作为有效工具可视化和评估球队及个人的压力，同时为教练员和分析师提供数据驱动的战术决策。

    Jan, 2024

  • CAMP: 一种建模上下文语音调的两阶段方法

    本文提出了一种基于词级表示和语义、句法信息的上下文感知韵律模型（CAMP），来解决语音合成中韵律建模的两个主要问题：慢变化信号的建模和缺乏上下文的适当韵律建模。CAMP 的准确性优于现有技术，与自然语音的差距缩小了 26％。此外，采用联合训练的持续时间模型替代注意力机制可以显著改善韵律。

    Nov, 2020

  • 行动胜过目标：足球比赛中对球员行动的价值评估

    介绍了描述足球比赛中个人动作的新语言以及一个考虑动作对比赛结果影响及其上下文的框架，通过聚合足球运动员的动作价值，可以量化他们对球队的进攻和防守贡献，并且通过在欧洲顶级比赛中的侦察和游戏风格表征来展示了如何考虑相关的上下文信息。

    Feb, 2018

  • 使用精调的大型事件模型评估不同情境下的玩家表现

    该研究介绍了大型事件模型（LEMs）在足球分析领域的创新应用，通过学习 “足球语言”，LEM 模型能够模拟比赛、预测球员表现以及探索不同球队情境下的应用，研究方法涉及微调 LEM 模型以反映足球的微妙动态，结果确认了 LEM 模型在足球分析中的有效性和局限性，以及衡量球员素质时上下文的重要性。

    Feb, 2024

  • 篮球中球员及球队表现的建模

    本文回顾了篮球比赛分析方法，关注了团队战略、个人表现以及未来趋势，重点强调需要进行因果推断。

    Jul, 2020

  • 反恐精英：全球攻势中玩家行动的价值评估

    通过引入一个数据模型和一个图形距离度量方法以及一个上下文感知框架基于团队赢球机会变化来评估球员的价值，我们解决了评估 Counter-Strike: Global Offensive (CSGO) 玩家的难题，并证明了该框架与现有框架的一致性和独立性，同时提供了高影响力游戏识别和不确定性估计的用例。

    Nov, 2020

  • 非结构化体育数据的可视化 —— 以板球短文字评论为例

    利用非结构化数据进行可视化分析，通过分析 100 万条以上的文本评论，使用短文本评论进行构建运动员的强项和弱项规则，并计算和可视化具有相似规则的运动员，验证构建的规则对于 500 多名运动员的准确性。

    Mar, 2024

  • 板球运动员个人资料建模：使用文本解说数据揭示优势和劣势

    利用非结构化的板球文字评论作为构建全面的板球运动员强项和弱项规则的宝贵资源，本研究建立了计算模型来提取控制板球运动员强项和弱项的规则，为个别选手的策略开发提供便利。

    Nov, 2023

  • 针对体育赛事的内容感知视频分析调研

    本研究通过对不同场景下内容结构研究所提供的深刻解释，从内容感知的角度，对广播体育的内容感知系统的相关主题进行了总结，重点关注了过去十年在体育节目中应用的视频内容分析技术以及针对对象、事件和上下文的分析方法，旨在确定用户需求。最后，本文总结了广播体育视频分析的未来趋势与挑战。

    Mar, 2017