Submit Search
Upload
サッカーにおけるトラッキングデータの取得と分析と可視化
•
0 likes
•
1,322 views
S
SaeruYamamuro
Follow
スポーツ IoT LT vol.1 2019-11-01(Fri)
Read less
Read more
Data & Analytics
Report
Share
Report
Share
1 of 18
Download now
Download to read offline
Recommended
情報検索とゼロショット学習
情報検索とゼロショット学習
kt.mako
トップカンファレンスへの論文採択に向けて(AI研究分野版)/ Toward paper acceptance at top conferences (AI...
トップカンファレンスへの論文採択に向けて(AI研究分野版)/ Toward paper acceptance at top conferences (AI...
JunSuzuki21
ウェーブレットと多重解像度処理
ウェーブレットと多重解像度処理
h_okkah
Pythonではじめるロケーションデータ解析
Pythonではじめるロケーションデータ解析
Hiroaki Sengoku
10分でわかる主成分分析(PCA)
10分でわかる主成分分析(PCA)
Takanori Ogata
研究発表のためのプレゼンテーション技術
研究発表のためのプレゼンテーション技術
Shinnosuke Takamichi
分解のススメ 第14回 ローエンド中BT Audio SoC華BT Audio SoCLowEndChineseBTAudioSoC.pdf
分解のススメ 第14回 ローエンド中BT Audio SoC華BT Audio SoCLowEndChineseBTAudioSoC.pdf
Masawo Yamazaki
【DL輪読会】The Forward-Forward Algorithm: Some Preliminary
【DL輪読会】The Forward-Forward Algorithm: Some Preliminary
Deep Learning JP
Recommended
情報検索とゼロショット学習
情報検索とゼロショット学習
kt.mako
トップカンファレンスへの論文採択に向けて(AI研究分野版)/ Toward paper acceptance at top conferences (AI...
トップカンファレンスへの論文採択に向けて(AI研究分野版)/ Toward paper acceptance at top conferences (AI...
JunSuzuki21
ウェーブレットと多重解像度処理
ウェーブレットと多重解像度処理
h_okkah
Pythonではじめるロケーションデータ解析
Pythonではじめるロケーションデータ解析
Hiroaki Sengoku
10分でわかる主成分分析(PCA)
10分でわかる主成分分析(PCA)
Takanori Ogata
研究発表のためのプレゼンテーション技術
研究発表のためのプレゼンテーション技術
Shinnosuke Takamichi
分解のススメ 第14回 ローエンド中BT Audio SoC華BT Audio SoCLowEndChineseBTAudioSoC.pdf
分解のススメ 第14回 ローエンド中BT Audio SoC華BT Audio SoCLowEndChineseBTAudioSoC.pdf
Masawo Yamazaki
【DL輪読会】The Forward-Forward Algorithm: Some Preliminary
【DL輪読会】The Forward-Forward Algorithm: Some Preliminary
Deep Learning JP
漸近理論をスライド1枚で(フォローアッププログラムクラス講義07132016)
漸近理論をスライド1枚で(フォローアッププログラムクラス講義07132016)
Hideo Hirose
Cartographer と Autoware を用いた自律走行
Cartographer と Autoware を用いた自律走行
Yoshitaka HARA
LiDAR点群とSfM点群との位置合わせ
LiDAR点群とSfM点群との位置合わせ
Takuya Minagawa
コンピュータービジョンのためのグレブナー基底入門1
コンピュータービジョンのためのグレブナー基底入門1
Ryota Mima
DLLAB Engineer Days : ONNX Export & Optimize
DLLAB Engineer Days : ONNX Export & Optimize
Kazuki Kyakuno
機械学習は化学研究の"経験と勘"を合理化できるか?
機械学習は化学研究の"経験と勘"を合理化できるか?
Ichigaku Takigawa
パターン認識と機械学習(PRML)第2章 確率分布 2.3 ガウス分布
パターン認識と機械学習(PRML)第2章 確率分布 2.3 ガウス分布
Nagayoshi Yamashita
IROS2020 survey
IROS2020 survey
robotpaperchallenge
猫でも分かるVariational AutoEncoder
猫でも分かるVariational AutoEncoder
Sho Tatsuno
【DL輪読会】Flow Matching for Generative Modeling
【DL輪読会】Flow Matching for Generative Modeling
Deep Learning JP
MCMCベースレンダリング入門
MCMCベースレンダリング入門
Hisanari Otsu
配置情報のエネルギー最小化に基づく3次元点群の位置合わせ
配置情報のエネルギー最小化に基づく3次元点群の位置合わせ
Toru Tamaki
「解説資料」ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation
「解説資料」ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation
Takumi Ohkuma
量子コンピュータの基礎から応用まで
量子コンピュータの基礎から応用まで
QunaSys
第五回統計学勉強会@東大駒場
第五回統計学勉強会@東大駒場
Daisuke Yoneoka
20190825 vins mono
20190825 vins mono
Takuya Minagawa
Visualizing Data Using t-SNE
Visualizing Data Using t-SNE
Tomoki Hayashi
番組宣伝に関するAbemaTV分析事例の紹介
番組宣伝に関するAbemaTV分析事例の紹介
cyberagent
Domain Adaptation 発展と動向まとめ(サーベイ資料)
Domain Adaptation 発展と動向まとめ(サーベイ資料)
Yamato OKAMOTO
集団スポーツの戦術に関するデータ解析手法
集団スポーツの戦術に関するデータ解析手法
Keisuke Fujii
NIPS2019 Amazon「think globally, act locally : a deep neural network approach...
NIPS2019 Amazon「think globally, act locally : a deep neural network approach...
SaeruYamamuro
フォーメーションを自動で検知する
フォーメーションを自動で検知する
SaeruYamamuro
More Related Content
What's hot
漸近理論をスライド1枚で(フォローアッププログラムクラス講義07132016)
漸近理論をスライド1枚で(フォローアッププログラムクラス講義07132016)
Hideo Hirose
Cartographer と Autoware を用いた自律走行
Cartographer と Autoware を用いた自律走行
Yoshitaka HARA
LiDAR点群とSfM点群との位置合わせ
LiDAR点群とSfM点群との位置合わせ
Takuya Minagawa
コンピュータービジョンのためのグレブナー基底入門1
コンピュータービジョンのためのグレブナー基底入門1
Ryota Mima
DLLAB Engineer Days : ONNX Export & Optimize
DLLAB Engineer Days : ONNX Export & Optimize
Kazuki Kyakuno
機械学習は化学研究の"経験と勘"を合理化できるか?
機械学習は化学研究の"経験と勘"を合理化できるか?
Ichigaku Takigawa
パターン認識と機械学習(PRML)第2章 確率分布 2.3 ガウス分布
パターン認識と機械学習(PRML)第2章 確率分布 2.3 ガウス分布
Nagayoshi Yamashita
IROS2020 survey
IROS2020 survey
robotpaperchallenge
猫でも分かるVariational AutoEncoder
猫でも分かるVariational AutoEncoder
Sho Tatsuno
【DL輪読会】Flow Matching for Generative Modeling
【DL輪読会】Flow Matching for Generative Modeling
Deep Learning JP
MCMCベースレンダリング入門
MCMCベースレンダリング入門
Hisanari Otsu
配置情報のエネルギー最小化に基づく3次元点群の位置合わせ
配置情報のエネルギー最小化に基づく3次元点群の位置合わせ
Toru Tamaki
「解説資料」ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation
「解説資料」ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation
Takumi Ohkuma
量子コンピュータの基礎から応用まで
量子コンピュータの基礎から応用まで
QunaSys
第五回統計学勉強会@東大駒場
第五回統計学勉強会@東大駒場
Daisuke Yoneoka
20190825 vins mono
20190825 vins mono
Takuya Minagawa
Visualizing Data Using t-SNE
Visualizing Data Using t-SNE
Tomoki Hayashi
番組宣伝に関するAbemaTV分析事例の紹介
番組宣伝に関するAbemaTV分析事例の紹介
cyberagent
Domain Adaptation 発展と動向まとめ(サーベイ資料)
Domain Adaptation 発展と動向まとめ(サーベイ資料)
Yamato OKAMOTO
集団スポーツの戦術に関するデータ解析手法
集団スポーツの戦術に関するデータ解析手法
Keisuke Fujii
What's hot
(20)
漸近理論をスライド1枚で(フォローアッププログラムクラス講義07132016)
漸近理論をスライド1枚で(フォローアッププログラムクラス講義07132016)
Cartographer と Autoware を用いた自律走行
Cartographer と Autoware を用いた自律走行
LiDAR点群とSfM点群との位置合わせ
LiDAR点群とSfM点群との位置合わせ
コンピュータービジョンのためのグレブナー基底入門1
コンピュータービジョンのためのグレブナー基底入門1
DLLAB Engineer Days : ONNX Export & Optimize
DLLAB Engineer Days : ONNX Export & Optimize
機械学習は化学研究の"経験と勘"を合理化できるか?
機械学習は化学研究の"経験と勘"を合理化できるか?
パターン認識と機械学習(PRML)第2章 確率分布 2.3 ガウス分布
パターン認識と機械学習(PRML)第2章 確率分布 2.3 ガウス分布
IROS2020 survey
IROS2020 survey
猫でも分かるVariational AutoEncoder
猫でも分かるVariational AutoEncoder
【DL輪読会】Flow Matching for Generative Modeling
【DL輪読会】Flow Matching for Generative Modeling
MCMCベースレンダリング入門
MCMCベースレンダリング入門
配置情報のエネルギー最小化に基づく3次元点群の位置合わせ
配置情報のエネルギー最小化に基づく3次元点群の位置合わせ
「解説資料」ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation
「解説資料」ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation
量子コンピュータの基礎から応用まで
量子コンピュータの基礎から応用まで
第五回統計学勉強会@東大駒場
第五回統計学勉強会@東大駒場
20190825 vins mono
20190825 vins mono
Visualizing Data Using t-SNE
Visualizing Data Using t-SNE
番組宣伝に関するAbemaTV分析事例の紹介
番組宣伝に関するAbemaTV分析事例の紹介
Domain Adaptation 発展と動向まとめ(サーベイ資料)
Domain Adaptation 発展と動向まとめ(サーベイ資料)
集団スポーツの戦術に関するデータ解析手法
集団スポーツの戦術に関するデータ解析手法
More from SaeruYamamuro
NIPS2019 Amazon「think globally, act locally : a deep neural network approach...
NIPS2019 Amazon「think globally, act locally : a deep neural network approach...
SaeruYamamuro
フォーメーションを自動で検知する
フォーメーションを自動で検知する
SaeruYamamuro
KDD2018 DiDi 「large-scale order dispatch in on-demand ride-hailing platforms:...
KDD2018 DiDi 「large-scale order dispatch in on-demand ride-hailing platforms:...
SaeruYamamuro
サラーがリバプールにくれたもの
サラーがリバプールにくれたもの
SaeruYamamuro
平成30年度 UNIVAS 事業報告
平成30年度 UNIVAS 事業報告
SaeruYamamuro
ボール保持力・奪取力マップから見るロシアW杯2018
ボール保持力・奪取力マップから見るロシアW杯2018
SaeruYamamuro
More from SaeruYamamuro
(6)
NIPS2019 Amazon「think globally, act locally : a deep neural network approach...
NIPS2019 Amazon「think globally, act locally : a deep neural network approach...
フォーメーションを自動で検知する
フォーメーションを自動で検知する
KDD2018 DiDi 「large-scale order dispatch in on-demand ride-hailing platforms:...
KDD2018 DiDi 「large-scale order dispatch in on-demand ride-hailing platforms:...
サラーがリバプールにくれたもの
サラーがリバプールにくれたもの
平成30年度 UNIVAS 事業報告
平成30年度 UNIVAS 事業報告
ボール保持力・奪取力マップから見るロシアW杯2018
ボール保持力・奪取力マップから見るロシアW杯2018
サッカーにおけるトラッキングデータの取得と分析と可視化
1.
サッカーにおけるトラッキングデータの取得と分析と可視化 スポーツIoTLT vol.1 2019/11/01(Fri) さえない /
Yamamuro Saeru (@saeeeeru)
2.
1. 自己紹介 さえないってナニモノ? 2.
サッカーにおけるデータの種類 イベント / トラッキング 3. 収集(あつめる)〜Collect〜 4. 分析(わかりやすくする)〜Analyze〜 5. 可視化(みせる)〜Vizualize〜 6. きょうのLTのまとめ Today’s Agenda 2
3.
1. 自己紹介 さえないってナニモノ? 2.
サッカーにおけるデータの種類 イベント / トラッキング 3. 収集(あつめる)〜Collect〜 4. 分析(わかりやすくする)〜Analyze〜 5. 可視化(みせる)〜Vizualize〜 6. きょうのLTのまとめ Today’s Agenda 3
4.
1. 自己紹介 さえないってナニモノ? 2.
サッカーにおけるデータの種類 イベント / トラッキング 3. 収集(あつめる)〜Collect〜 4. 分析(わかりやすくする)〜Analyze〜 5. 可視化(みせる)〜Vizualize〜 6. きょうのLTのまとめ Today’s Agenda 4
5.
1. 自己紹介 さえないってナニモノ? ❏
熊本育ちの九州男児(25)です ❏ 時系列データの解析技術を研究していました - IoTセンサーデータ(加速度、角速度 ...) - 隠れマルコフモデルを用いたパターン認識 - 深層学習によるラベル分類と重要度算出 ❏ 東福岡高校のサッカー部に所属していました - 夢の国立には一度もたどり着けず ❏ 汐留のIT企業でデータサイエンティスト ❏ 趣味も特技もサッカーです - オフの日はサッカーをプレイするか、戦術分析 @saeeeeru Sakurai Lab. @ Kumamoto University 5
6.
2. サッカーにおけるデータの種類 試合中の選手とボールの全時刻における地 点情報を取得したデータのこと e.g) DEBS2013
Grand Challenge トラッキングデータ 試合中のパスやドリブルといったイベントに関 する様々な情報を収集したデータ e.g) statsbombのオープンデータセット イベントデータ 6
7.
1. 自己紹介 さえないってナニモノ? 2.
サッカーにおけるデータの種類 イベント / トラッキング 3. 収集(あつめる)〜Collect〜 4. 分析(わかりやすくする)〜Analyze〜 5. 可視化(みせる)〜Vizualize〜 6. きょうのLTのまとめ Today’s Agenda 7
8.
3. 収集(あつめる)〜Collect〜 ❏ データスタジアム社の定義だと...
https://www.datastadium.co.jp/service/tracking.html トラッキングとはスタジアムの試合映像から リアルタイムにピッチ上のすべての動き(選手、ボール、審判)を追尾し データ化することができるシステム ❏ TRACAB ❏ 米国に本社を置くChyronHego社のシステム ❏ 欧州リーグでも採用されている 8
9.
3. 収集(あつめる)〜Collect〜 ❏ IoTっぽいのだと...
Catapult社のデジタルブラジャー https://tech.nikkeibp.co.jp/dm/atcl/feature/15/110200006/051600078/ ❏ 背中にGPSデバイスを固定するポケット有り ❏ 加速度 / 角速度センサーを内蔵している ❏ 走行距離や走行スピード、加速・減速、体の向き ➢ TRACABが採用されていないリーグ(J2以下)や 育成年代のチームにニーズがある 9
10.
1. 自己紹介 さえないってナニモノ? 2.
サッカーにおけるデータの種類 イベント / トラッキング 3. 収集(あつめる)〜Collect〜 4. 分析(わかりやすくする)〜Analyze〜 5. 可視化(みせる)〜Vizualize〜 6. きょうのLTのまとめ Today’s Agenda 10
11.
4. 分析(わかりやすくする)〜Analyze〜 「フォーメーションの自動検知」 「フォーメーションを自動で検知する」 (実験)https://note.mu/deepfoot/n/n5f504610bbdc (論文紹介)https://note.mu/deepfoot/n/n1c987477f5d5 11 ❏ Given
: - 選手とボールの位置情報データ (トラッキングデータ) ❏ Method : - 各ポジションに役割分布を導入 - 目的関数 = KLダイバージェンス - EMアルゴリズムで分布を推定 - 各フォーメーションをクラスタリング 役割分布の学習過程 -> Iterationを重ねると 重なりがなくなるようになる
12.
4. 分析(わかりやすくする)〜Analyze〜 「フォーメーションの自動検知」 「フォーメーションを自動で検知する」 (実験)https://note.mu/deepfoot/n/n5f504610bbdc (論文紹介)https://note.mu/deepfoot/n/n1c987477f5d5 12 ❏ Output
: - クラスタを推定することで フォーメーションを自動的に検知可能 - Cluster 1 : 4-2-3-1 - Cluster 2 : 4-4-2 - Cluster 3 : 3-4-3 - Cluster 4 : 4-1-4-1 - Cluster 5 : 4-3-3 - Cluster 6 : 4-1-3-2 各クラスタの中心点
13.
4. 分析(わかりやすくする)〜Analyze〜 「フォーメーションの自動検知」 学習 「フォーメーションを自動で検知する」 (実験)https://note.mu/deepfoot/n/n5f504610bbdc (論文紹介)https://note.mu/deepfoot/n/n1c987477f5d5 前半 後半 各チームのフォーメーションの遷移 フォーメーションの種類
各クラスタの学習過程 13
14.
1. 自己紹介 さえないってナニモノ? 2.
サッカーにおけるデータの種類 イベント / トラッキング 3. 収集(あつめる)〜Collect〜 4. 分析(わかりやすくする)〜Analyze〜 5. 可視化(みせる)〜Vizualize〜 6. きょうのLTのまとめ Today’s Agenda 14
15.
5. 可視化(みせる)〜Visualize〜 「プレッシングの矢印の可視化」 15 https://twitter.com/saeeeeru/status/1075307025293168640?s=20 ❏ Given
: - 選手とボールの位置情報データ (トラッキングデータ) ❏ Method : - ボールと選手の距離と時間情報を 用いたボール保持選手・チーム判定 - 守備チームの選手の移動ベクトルを プレッシングの矢印として描画 15
16.
1. 自己紹介 さえないってナニモノ? 2.
サッカーにおけるデータの種類 イベント / トラッキング 3. 収集(あつめる)〜Collect〜 4. 分析(わかりやすくする)〜Analyze〜 5. 可視化(みせる)〜Vizualize〜 6. きょうのLTのまとめ Today’s Agenda 16
17.
6. きょうのLTのまとめ ✓ サッカーにおいて使用できるデータとして、
イベントデータ / トラッキングデータの2つが大きく分けてあります ✓ 後者のトラッキングデータを収集するためには、 複数台のカメラを使うものとブラジャーを着用するものの2つの方法があります ✓ トラッキングデータを用いた分析は、 基礎集計のみならず様々なデータ分析技術を駆使して行われています(途中です) ✓ トラッキングデータの可視化においては、 ボール非保持者(ディフェンス)のプレッシングの矢印を描画したりしました ✓ 活用方法については、アイデアを考案中です! 17
18.
EOF (宣伝) 現在の取り組みと成果物⑤「スポーツアナリティクスに関する論文まとめ」 https://sportech-sanity.herokuapp.com ❏ Given
: - 日々アップデートされ続ける技術 - たくさんの投稿された論文 ❏ Method : - Github issueへ有志で 論文の要約をまとめ、 Webサイト化 ❏ Goal : - スポーツアナリティクスで 日本のスポーツを活性化 18
Download now