Page Title. Maximum length 60-70 characters

Using Deep Learning to Understand Patterns of Player Movement in the NBA

作成者 : Atom Scott


論文情報


目次

要旨 Abstract

論文のアブストラクトを日本語で軽く

Trajectory embedding と呼ばれる、オフェンス時の選手の動きを32次元ベクトルで表現し、それらのユークリッドを距離を使うことがプレー類似度を示すために有効である。 この発見により、Similar Possessions Finder(類似ポゼッション検索器)を開発することができた。 Similar Possessions Finderによって、 - “How much more frequently did Andre Drummond establish position on the right block than on the left block during the 2015-2016 regular season?” などの検索に素早く答えを見るけることができるようになった。

リサーチ課題

どうすれば、オフェンス時の自動でプレーを比較して、分析するフレームワークが作れるか。

リサーチ課題に対する結論

トラッキングデータ使ったデータベースの作成

→NLP的な要素はなかったので、上記の”How much more frequently did Andre Drummond establish position on the right block than on the left block during the 2015-2016 regular season?“の質問はなんらかの形に変えて、検索しているだろうと考えている。

手法

まずは一言で

自動で類似プレーを検索する方法 1. 選手のトラッキングデータを画像に変換 2. Autoencoderにより次元圧縮した画像を生成 3. 次元圧縮した画像のユークリッド距離を用いて、近傍する画像を検索する

選手のプレースタイルを分析する方法 1. 次元圧縮した画像をクラスタリングする 2. クラスタの中心となる画像を見て、クラスタを特徴づける 3. クラスタ内にある画像の比率を比較して、プレースタイルを分析する

結果

画像検索の精度は著者による10段階評価のようであるので、定量的な評価ができていない。

コメント

問題点や議論できることがあれば

軌道画像をそのまま使うのは計算リソース的に厳しかったために、Autoencoderによる次元圧縮を行ったそうなのだが、トラッキングデータを画像にする必要はあるのか。 (検証したい気持ちがある)

クラスタリング方法がk=20が良いとしているのにもかかわらず、下記のようにクラスタをまとめて言語化しているので、もっと最適クラスタリング方法があるはず。

その他

リサーチクエスチョンに関する論文

(Chalkboarding: A New Spatiotemporal Query Paradigm for Sports Play Retrieval)[https://atomscott.github.io/Sports-Lab/other/201x/chalkboarding/]

手法に関する論文


『スポーツ解析の最先を作る』 21歳/筑波大学蹴球部(3年)から世界一のSports Data Analystを目指してます。情報科学類(COINS)。産総研&CVlabでスポーツにおける人間追跡•姿勢推定技術とそこから得られるデータとその分析の研究をしてます。