Futbola Uygulanabilir Takım Sporlarında Taktiksel Karar Analizi için Transformator Tabanlı Multimodal Bir Çerçeve

Summary

Futbolda taktik karar kategorilerini geliştirmek için, bu çalışma görsel, konum, akustik ve bağlamsal verileri içeren Transformer tabanlı çok modlu bir füzyon modeli önermektedir. Model, 500 dizili çoklu modal veri setinde neredeyse gerçek zamanlı performans sağlar ve CNN-LSTM, BiLSTM-Attention ve GNN temellerini doğruluk ve basınç kaynaklı yanlış sınıflandırma açısından geride bırakır.

Abstract

Modern futbolda hızlı ve doğru taktik karar alma gereklidir. Ancak, taktik karar alma değerlendirmesi için geleneksel yaklaşımlar ekolojik geçerliliği zayıf ve kolayca ölçeklenmez. Bu zorlukları ele almak için, bu makale oyuncu konumlandırması, video, ses ve bağlamsal meta verileri içeren Transformator Tabanlı Multimodal Füzyon modelini tanıtarak gerçek zamanlı taktik kararları sınıflandırmaktadır. 40 erkek oyuncu ve 500 multimodal oyun dizisinden oluşan bir veri setiyle deneyler yapıldı. 40 oyunculu veri seti, ilk doğrulama ve güvenilirlik değerlendirmesi için kullanılan kontrollü laboratuvar tarzı karar alma deneylerini ifade eder. Daha sonra, genişletilmiş maç simülasyonlarından ve gerçek oyun kayıtlarından 500 multimodal dizis çıkarılarak multimodal transformatör modelinin eğitimi ve testinde kullanılan daha büyük veri seti sağlandı.

Girdileri beş aşamada işler: veri toplama, ön işleme, özellik çıkarma, transformatör tabanlı füzyon ve karar sınıflandırma. CNN-LSTM, BiLSTM-Attention ve GNN'nin temel alanlarına kıyasla, önerilen yaklaşım karar tahmininin doğruluğunu %28 artırır ve basınç kaynaklı yanlış sınıflandırmayı %41 oranında azaltır; düşük çıkarım gecikmesi 52,6 ms ile neredeyse gerçek zamanlı uygulamalar için uygundur. Bulguların daha çeşitli taktik bağlamlarda ve daha geniş sporcu demografisine genellenebilirliği, tek bir bölgeden genç erkek oyuncuların örneklemindeki nispeten küçük büyüklük ve homojenlikle sınırlıdır. Bu sonuçlar, transformator tabanlı çoklu modal füzyonun otomatik taktik karar analizine katkısını vurgular ve daha çeşitli ve büyük ölçekli eşleşme durumlarında daha fazla doğrulama ihtiyacını vurgular.

Introduction

Futbol gibi takım sporları, dinamik ve belirsiz ortamlarda hızlı taktik kararlar gerektirir. Oyuncular, topta, takım arkadaşlarından ve rakiplerden sürekli olarak görsel bilgileri okumalı ve rekabet avantajı sağlamak için saniyenin çok kısa süresinde yanıt vermelidir. Futbolda taktiksel karar verme, oyuncu hareketlerinin, top yörüngesinin ve durumsal ipuçlarının hızlı algılanmasına büyük ölçüde bağlıdır. Tepki süresi ve seçici dikkat gibi genel algı-bilişsel beceriler performansı şekillendirse de, son araştırmalar gerçek oyun içi taktiksel bilişi yaklaşık olarak karşılayabilen veri odaklı, bağlama duyarlı

Protocol

Çalışma, 18-24 yaş arası 40 erkek futbolçuyu, bir bölgesel ligdeki dört amatör ve yarı profesyonel kulüpten seçilmiş, 18-24 yaş arası (ortalama = 20,1 ± 1,2) dahil edildi. Tüm katılımcıların en az üç yıllık rekabet deneyimi vardı ve şu anda yapılandırılmış bir ortamda eğitim alıyordu. Veri toplama iki kontrollü ortamda gerçekleştirildi: ilki taktiksel geçiş/sürüş karar senaryolarını simüle eden standart eğitim sahası tatbikatlarında; ikincisi, multimodal dizilerin çıkarıldığı uzun süreli maç simülasyonu oturumlarında. Tüm prosedürler Beibu Gulf Üniversitesi Kurumsal Etik Komitesi tarafından onaylandı (Onay No: BG-PE-2023-117) ve veri toplamadan önce tüm katılımcılarda....

Results

Bu tasarım, çeşitli verileri, videoları, mekansal koordinatları ve oyun bağlamsal verilerini tek bir kanalda birleştirerek pas, sürüş veya tutma gibi taktiksel eylemleri tahmin eder. Yaklaşım, videoların girmesiyle başlar ve bu videolar Üç Boyutlu Konvolüsyon Sinir Ağı (3D CNN) kullanılarak incelenir. Bağlamsal, konumsal ve video akışlarının çıkışları Düşük Seviyeli Bir Füzyon modülü tarafından birleştirilebilir. Bu yaklaşım, füzyon uzay ayrıştırması yoluyla çapraz modal kore.......

Discussion

Burada sunulan Transformator Tabanlı Multimodal Füzyon çerçevesi, temel makalede belirtilen temel Stroop Görev Futbol Testi (STFT) üzerinde önemli bir gelişmeyi temsil etmektedir. Temel makalenin aksine, renkli oklar ve önceden tanımlanmış görevler (sürüş veya geçiş) gibi sınırlı ve statik uyarıcılarla kontrollü, laboratuvar odaklı testlere odaklanan temel makalenin aksine, yeni model gerçek oyun, çok modlu kaynak verilerinden yararlanarak daha zengin, otomatik.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
3D CNN	Özel uygulama		Videodan uzaylı-zamansal özellik çıkarımı
GoPro Hero4	GoPro Inc.	https://gopro.com/	Maçların video kaydı
GPS/IMU Sensörleri	Catapult Sports / Xsens	https://www.catapultsports.com/	Oyuncu pozisyon takibi
Intel Core i7-11700K CPU	Intel	https://www.intel.com	Model eğitim iş istasyonu CPU
Librosa	librosa.org	https://pypi.org/project/librosa/	Ses sinyal işleme ve yeniden örnekleme
MLP Sınıflandırıcı	PyTorch / TensorFlow		Taktik karar sınıflandırması
NumPy	Python Yazılım Vakfı	https://pypi.org/project/numpy/	Sayısal hesaplama ve matris işlemleri
NVIDIA RTX 3080 GPU	NVIDIA	https://www.nvidia.com	Derin öğrenme eğitimi ve çıkarım
OpenCV	OpenCV.org	https://pypi.org/project/opencv-python/	Videodan kare çıkarma
pandalar	Python Yazılım Vakfı	https://pypi.org/project/pandas/	Veri işleme ve tablo şeklinde işleme
PCA (Scikit-learn)	Scikit-learn	https://scikit-learn.org/	Boyutsal indirgeme
Python 3.9	Python Yazılım Vakfı	https://www.python.org/downloads/release/python-390/	Programlama dili ortamı
PyTorch	PyTorch Vakfı	https://pytorch.org/	Derin öğrenme çerçevesi
scikit-learn	scikit-learn geliştiricileri	https://pypi.org/project/scikit-learn/	Çapraz doğrulama, ICC hesaplaması
TensorFlow 2.8	Google	https://www.tensorflow.org/	Derin öğrenme çerçevesi
Transformör Kodlayıcı	PyTorch / TensorFlow		Çok modlu özellik entegrasyonu dikkatle
Ubuntu 20.04 LTS	Canonical Ltd.	https://ubuntu.com/	Model eğitimi için işletim sistemi
İş Istasyonu	Özel / Intel, NVIDIA		CPU, GPU, RAM model eğitimi için