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
•
1,357 views
S
SaeruYamamuro
Follow
スポーツ IoT LT vol.1 2019-11-01(Fri)
Read less
Read more
Report
Share
Report
Share
1 of 18
Download now
Download to read offline
Recommended
Cv勉強会cvpr2018読み会: Im2Flow: Motion Hallucination from Static Images for Action...
Cv勉強会cvpr2018読み会: Im2Flow: Motion Hallucination from Static Images for Action...
Toshiki Sakai
Im2Flow: Motion Hallucination from Static Images for Action Recognition
協調フィルタリングを利用した推薦システム構築
協調フィルタリングを利用した推薦システム構築
Masayuki Ota
Ventures Salon vol.6 で発表した資料です。 https://www.facebook.com/events/736789056438293 発表用&学習用の資料になっています。
Sift特徴量について
Sift特徴量について
la_flance
【社内勉強会用】Sift特徴量について ※間違っている部分があるかもしれません
形状解析のための楕円フーリエ変換
形状解析のための楕円フーリエ変換
Tsukasa Fukunaga
Attentionの基礎からTransformerの入門まで
Attentionの基礎からTransformerの入門まで
AGIRobots
自分の知識整理のために、Attentionの起源から、Transformerの入門レベルまでの内容をスライドにまとめました
Data-Centric AIの紹介
Data-Centric AIの紹介
Kazuyuki Miyazawa
社内勉強会でAndrew Ng先生が提唱するData-Centric AIについて紹介した際の資料です。
ディープラーニングを用いた物体認識とその周辺 ~現状と課題~ (Revised on 18 July, 2018)
ディープラーニングを用いた物体認識とその周辺 ~現状と課題~ (Revised on 18 July, 2018)
Masakazu Iwamura
物体認識技術は、ディープラーニングと大規模なデータセットの登場により、飛躍的に発展した。 これが突破口となり、物体検出や領域分割、画像の加工、画像や画像の説明文の生成など、物体認識の周辺技術も大きく発展した。 本講演では、ディープラーニングを用いた物体認識の処理を概観し、それによって得られる効果を述べた後、物体認識とその周辺技術の最近の動向と課題を紹介する。
Triplet Loss 徹底解説
Triplet Loss 徹底解説
tancoro
ClassificationとMetric Learningの違い、Contrastive Loss と Triplet Loss、Triplet Lossの改良の変遷など
Recommended
Cv勉強会cvpr2018読み会: Im2Flow: Motion Hallucination from Static Images for Action...
Cv勉強会cvpr2018読み会: Im2Flow: Motion Hallucination from Static Images for Action...
Toshiki Sakai
Im2Flow: Motion Hallucination from Static Images for Action Recognition
協調フィルタリングを利用した推薦システム構築
協調フィルタリングを利用した推薦システム構築
Masayuki Ota
Ventures Salon vol.6 で発表した資料です。 https://www.facebook.com/events/736789056438293 発表用&学習用の資料になっています。
Sift特徴量について
Sift特徴量について
la_flance
【社内勉強会用】Sift特徴量について ※間違っている部分があるかもしれません
形状解析のための楕円フーリエ変換
形状解析のための楕円フーリエ変換
Tsukasa Fukunaga
Attentionの基礎からTransformerの入門まで
Attentionの基礎からTransformerの入門まで
AGIRobots
自分の知識整理のために、Attentionの起源から、Transformerの入門レベルまでの内容をスライドにまとめました
Data-Centric AIの紹介
Data-Centric AIの紹介
Kazuyuki Miyazawa
社内勉強会でAndrew Ng先生が提唱するData-Centric AIについて紹介した際の資料です。
ディープラーニングを用いた物体認識とその周辺 ~現状と課題~ (Revised on 18 July, 2018)
ディープラーニングを用いた物体認識とその周辺 ~現状と課題~ (Revised on 18 July, 2018)
Masakazu Iwamura
物体認識技術は、ディープラーニングと大規模なデータセットの登場により、飛躍的に発展した。 これが突破口となり、物体検出や領域分割、画像の加工、画像や画像の説明文の生成など、物体認識の周辺技術も大きく発展した。 本講演では、ディープラーニングを用いた物体認識の処理を概観し、それによって得られる効果を述べた後、物体認識とその周辺技術の最近の動向と課題を紹介する。
Triplet Loss 徹底解説
Triplet Loss 徹底解説
tancoro
ClassificationとMetric Learningの違い、Contrastive Loss と Triplet Loss、Triplet Lossの改良の変遷など
SSII2020TS: 機械学習モデルの判断根拠の説明 〜 Explainable AI 研究の近年の展開 〜
SSII2020TS: 機械学習モデルの判断根拠の説明 〜 Explainable AI 研究の近年の展開 〜
SSII
SSII2020 チュートリアルセッション TS3 6/12 (金) 9:30~10:40 メイン会場 (vimeo + sli.do) 本チュートリアルでは、機械学習モデルの判断根拠を提示するための説明法について紹介する。高精度な認識・識別が可能な機械学習モデルは一般に非常に複雑な構造をしており、どのような基準で判断が下されているかを人間が窺い知ることは困難である。このようなモデルのブラックボックス性を解消するために、近年様々なモデルの説明法が研究・提案されてきている。本チュートリアルではこれら代表的な説明法及び近年の更なる展開について紹介する。
画像認識モデルを作るための鉄板レシピ
画像認識モデルを作るための鉄板レシピ
Takahiro Kubo
画像認識は現在、仕事・趣味と幅広い場面で欠かせないものとなってきています。その手段として機械学習を用いることももはや常識的になっていると言っても過言ではなく、そのためのチュートリアルも数多くあります。 ただ一方で、機械学習のもとになる「学習データの作り方」についてはあまり情報がありません。 本編では、この「データの取り方、処理方法(下ごしらえ)」にフォーカスした解説を進めていきます。
AI開発を円滑に進めるための契約・法務・知財
AI開発を円滑に進めるための契約・法務・知財
Hirono Jumpei
Deep Learning Lab 柿沼先生ご講演資料
(修正)機械学習デザインパターン(ML Design Patterns)の解説
(修正)機械学習デザインパターン(ML Design Patterns)の解説
Hironori Washizaki
鷲崎弘宜, "機械学習デザインパターン(ML Design Patterns)の解説", スマートエスイー & JST未来社会 eAIセミナー: 機械学習デザインパターン, 2021年3月30日
SSII2020SS: グラフデータでも深層学習 〜 Graph Neural Networks 入門 〜
SSII2020SS: グラフデータでも深層学習 〜 Graph Neural Networks 入門 〜
SSII
SSII2020 技術動向解説セッション SS1 6/11 (木) 14:00~14:30 メイン会場 (vimeo + sli.do) グラフ構造をもつデータに対する DNN、すなわち Graph Neural Networks (GNNs) の研究はこの2、3年で参加する研究者が急増している。現状、様々なアーキテクチャの GNN が様々なドメインや様々なタスクで個別に提案され、概観を捉えるのも簡単ではない状態になっている。本チュートリアルは、広範に散らばった GNN 研究の現状についての概観と基盤技術を紹介するとともに、時間が許す範囲でコンピュータビジョン領域における応用例の紹介にも取り組みたい。
マルチモーダル深層学習の研究動向
マルチモーダル深層学習の研究動向
Koichiro Mori
マルチモーダル深層学習の研究動向をまとめました。
1 データとデータ分析
1 データとデータ分析
Seiichi Uchida
「データとデータ分析」の初歩
動作認識の最前線:手法,タスク,データセット
動作認識の最前線:手法,タスク,データセット
Toru Tamaki
動作認識の最前線:手法,タスク,データセット 精密工学会 画像応用技術専門委員会, 2022年度第4回定例研究, 2022/11/18
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
mlm_kansai
MACHINE LEARNING Meetup KANSAI #4 https://mlm-kansai.connpass.com/event/119084/ での、能見さんの発表資料です。
機械学習モデルの判断根拠の説明
機械学習モデルの判断根拠の説明
Satoshi Hara
第20回ステアラボ人工知能セミナー https://stair.connpass.com/event/109983/ 【講演動画】 https://youtu.be/Fgza_C6KphU 【講演タイトル】 機械学習モデルの判断根拠の説明 【講演概要】 本講演では、機械学習モデルの判断根拠を提示するための説明法について紹介する。高精度な認識・識別が可能な機械学習モデルは一般に非常に複雑な構造をしており、どのような基準で判断が下されているかを人間が窺い知ることは困難である。このようなモデルのブラックボックス性を解消するために、近年様々なモデルの説明法が研究・提案されてきている。本講演の前半ではまず近年の代表的な研究について紹介する。後半では、発表者の最近の研究として「ランダムフォレストの簡略化」と「モデル列挙」について紹介する。
Devsumi 2018summer
Devsumi 2018summer
Harada Kei
デブサミ2018夏の原田の講演資料です。
For MANABIYA
For MANABIYA
ssuserafaae8
About Kaggle by Okoshi, Kysmo.Inc
SSII2022 [SS1] ニューラル3D表現の最新動向〜 ニューラルネットでなんでも表せる?? 〜
SSII2022 [SS1] ニューラル3D表現の最新動向〜 ニューラルネットでなんでも表せる?? 〜
SSII
6/9 (木) 14:15~14:45 メイン会場 講師:加藤 大晴 氏(株式会社Preferred Networks) 概要: 点群/メッシュ/ボクセルなどの従来的な3D表現に代わってニューラルネットによる陰関数で三次元データを表してしまう手法が近年登場し、様々なタスクで目覚ましい成果を挙げ大きな注目を集めている。この表現は、計算コストが高い代わりに柔軟性が高くさまざまなものをシンプルかつコンパクトに表現できることが知られている。本講演では、その基礎、応用、最先端の状況について、代表的な研究を広く紹介する。
みんなが知らない pytorch-pfn-extras
みんなが知らない pytorch-pfn-extras
Takuji Tahara
[第2回分析コンペLT会 & 雑談会、オンライン開催](https://kaggle-friends.connpass.com/event/214854/) での発表資料です。 認知度の低い pytorch-pfn-extras と、知られざる Config System を大ぱっざに紹介しました。
自己教師学習(Self-Supervised Learning)
自己教師学習(Self-Supervised Learning)
cvpaper. challenge
cvpaper.challenge の メタサーベイ発表スライドです。 cvpaper.challengeはコンピュータビジョン分野の今を映し、トレンドを創り出す挑戦です。論文サマリ作成・アイディア考案・議論・実装・論文投稿に取り組み、凡ゆる知識を共有します。2020の目標は「トップ会議30+本投稿」することです。 http://xpaperchallenge.org/cv/
cvpaper.challenge 研究効率化 Tips
cvpaper.challenge 研究効率化 Tips
cvpaper. challenge
cvpaper.challengeはコンピュータビジョン分野の今を映し、トレンドを創り出す挑戦です。論文サマリ・アイディア考案・議論・実装・論文投稿に取り組み、凡ゆる知識を共有しています。 http://xpaperchallenge.org/cv/ 本資料はxpaper.challengeの2020年末ワークショップとしてプレゼンした、研究効率化Tipsです。10研究室、200ページ超にわたるノウハウ詰め合わせです。
[DL輪読会]StyleGAN-NADA: CLIP-Guided Domain Adaptation of Image Generators
[DL輪読会]StyleGAN-NADA: CLIP-Guided Domain Adaptation of Image Generators
Deep Learning JP
2021/08/13 Deep Learning JP: http://deeplearning.jp/seminar-2/
MS COCO Dataset Introduction
MS COCO Dataset Introduction
Shinagawa Seitaro
Introduction of Microsoft COCO Dataset for image captioning
機械学習 / Deep Learning 大全 (1) 機械学習基礎編
機械学習 / Deep Learning 大全 (1) 機械学習基礎編
Daiyu Hatakeyama
機械学習の技術的基礎部分を中心にまとめています。実装をする際の各種ハイパーパラメータの概要は理解できる程度に。
実務と論文で学ぶジョブレコメンデーション最前線2022
実務と論文で学ぶジョブレコメンデーション最前線2022
Teruyuki Sakaue
第70回 Machine Learning 15minutes! Broadcastというイベントでお話する内容です。 ジョブレコメンデーション系の論文とか実務でやっていることを色々共有します。
NIPS2019 Amazon「think globally, act locally : a deep neural network approach...
NIPS2019 Amazon「think globally, act locally : a deep neural network approach...
SaeruYamamuro
NIPS2019採択のAmazon「think globally, act locally_ a deep neural network approach to high-dimensional time series forecasting」の論文紹介スライド
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
Sports Analyst Meetup #5 2019-11-02 (Sat)
More Related Content
What's hot
SSII2020TS: 機械学習モデルの判断根拠の説明 〜 Explainable AI 研究の近年の展開 〜
SSII2020TS: 機械学習モデルの判断根拠の説明 〜 Explainable AI 研究の近年の展開 〜
SSII
SSII2020 チュートリアルセッション TS3 6/12 (金) 9:30~10:40 メイン会場 (vimeo + sli.do) 本チュートリアルでは、機械学習モデルの判断根拠を提示するための説明法について紹介する。高精度な認識・識別が可能な機械学習モデルは一般に非常に複雑な構造をしており、どのような基準で判断が下されているかを人間が窺い知ることは困難である。このようなモデルのブラックボックス性を解消するために、近年様々なモデルの説明法が研究・提案されてきている。本チュートリアルではこれら代表的な説明法及び近年の更なる展開について紹介する。
画像認識モデルを作るための鉄板レシピ
画像認識モデルを作るための鉄板レシピ
Takahiro Kubo
画像認識は現在、仕事・趣味と幅広い場面で欠かせないものとなってきています。その手段として機械学習を用いることももはや常識的になっていると言っても過言ではなく、そのためのチュートリアルも数多くあります。 ただ一方で、機械学習のもとになる「学習データの作り方」についてはあまり情報がありません。 本編では、この「データの取り方、処理方法(下ごしらえ)」にフォーカスした解説を進めていきます。
AI開発を円滑に進めるための契約・法務・知財
AI開発を円滑に進めるための契約・法務・知財
Hirono Jumpei
Deep Learning Lab 柿沼先生ご講演資料
(修正)機械学習デザインパターン(ML Design Patterns)の解説
(修正)機械学習デザインパターン(ML Design Patterns)の解説
Hironori Washizaki
鷲崎弘宜, "機械学習デザインパターン(ML Design Patterns)の解説", スマートエスイー & JST未来社会 eAIセミナー: 機械学習デザインパターン, 2021年3月30日
SSII2020SS: グラフデータでも深層学習 〜 Graph Neural Networks 入門 〜
SSII2020SS: グラフデータでも深層学習 〜 Graph Neural Networks 入門 〜
SSII
SSII2020 技術動向解説セッション SS1 6/11 (木) 14:00~14:30 メイン会場 (vimeo + sli.do) グラフ構造をもつデータに対する DNN、すなわち Graph Neural Networks (GNNs) の研究はこの2、3年で参加する研究者が急増している。現状、様々なアーキテクチャの GNN が様々なドメインや様々なタスクで個別に提案され、概観を捉えるのも簡単ではない状態になっている。本チュートリアルは、広範に散らばった GNN 研究の現状についての概観と基盤技術を紹介するとともに、時間が許す範囲でコンピュータビジョン領域における応用例の紹介にも取り組みたい。
マルチモーダル深層学習の研究動向
マルチモーダル深層学習の研究動向
Koichiro Mori
マルチモーダル深層学習の研究動向をまとめました。
1 データとデータ分析
1 データとデータ分析
Seiichi Uchida
「データとデータ分析」の初歩
動作認識の最前線:手法,タスク,データセット
動作認識の最前線:手法,タスク,データセット
Toru Tamaki
動作認識の最前線:手法,タスク,データセット 精密工学会 画像応用技術専門委員会, 2022年度第4回定例研究, 2022/11/18
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
mlm_kansai
MACHINE LEARNING Meetup KANSAI #4 https://mlm-kansai.connpass.com/event/119084/ での、能見さんの発表資料です。
機械学習モデルの判断根拠の説明
機械学習モデルの判断根拠の説明
Satoshi Hara
第20回ステアラボ人工知能セミナー https://stair.connpass.com/event/109983/ 【講演動画】 https://youtu.be/Fgza_C6KphU 【講演タイトル】 機械学習モデルの判断根拠の説明 【講演概要】 本講演では、機械学習モデルの判断根拠を提示するための説明法について紹介する。高精度な認識・識別が可能な機械学習モデルは一般に非常に複雑な構造をしており、どのような基準で判断が下されているかを人間が窺い知ることは困難である。このようなモデルのブラックボックス性を解消するために、近年様々なモデルの説明法が研究・提案されてきている。本講演の前半ではまず近年の代表的な研究について紹介する。後半では、発表者の最近の研究として「ランダムフォレストの簡略化」と「モデル列挙」について紹介する。
Devsumi 2018summer
Devsumi 2018summer
Harada Kei
デブサミ2018夏の原田の講演資料です。
For MANABIYA
For MANABIYA
ssuserafaae8
About Kaggle by Okoshi, Kysmo.Inc
SSII2022 [SS1] ニューラル3D表現の最新動向〜 ニューラルネットでなんでも表せる?? 〜
SSII2022 [SS1] ニューラル3D表現の最新動向〜 ニューラルネットでなんでも表せる?? 〜
SSII
6/9 (木) 14:15~14:45 メイン会場 講師:加藤 大晴 氏(株式会社Preferred Networks) 概要: 点群/メッシュ/ボクセルなどの従来的な3D表現に代わってニューラルネットによる陰関数で三次元データを表してしまう手法が近年登場し、様々なタスクで目覚ましい成果を挙げ大きな注目を集めている。この表現は、計算コストが高い代わりに柔軟性が高くさまざまなものをシンプルかつコンパクトに表現できることが知られている。本講演では、その基礎、応用、最先端の状況について、代表的な研究を広く紹介する。
みんなが知らない pytorch-pfn-extras
みんなが知らない pytorch-pfn-extras
Takuji Tahara
[第2回分析コンペLT会 & 雑談会、オンライン開催](https://kaggle-friends.connpass.com/event/214854/) での発表資料です。 認知度の低い pytorch-pfn-extras と、知られざる Config System を大ぱっざに紹介しました。
自己教師学習(Self-Supervised Learning)
自己教師学習(Self-Supervised Learning)
cvpaper. challenge
cvpaper.challenge の メタサーベイ発表スライドです。 cvpaper.challengeはコンピュータビジョン分野の今を映し、トレンドを創り出す挑戦です。論文サマリ作成・アイディア考案・議論・実装・論文投稿に取り組み、凡ゆる知識を共有します。2020の目標は「トップ会議30+本投稿」することです。 http://xpaperchallenge.org/cv/
cvpaper.challenge 研究効率化 Tips
cvpaper.challenge 研究効率化 Tips
cvpaper. challenge
cvpaper.challengeはコンピュータビジョン分野の今を映し、トレンドを創り出す挑戦です。論文サマリ・アイディア考案・議論・実装・論文投稿に取り組み、凡ゆる知識を共有しています。 http://xpaperchallenge.org/cv/ 本資料はxpaper.challengeの2020年末ワークショップとしてプレゼンした、研究効率化Tipsです。10研究室、200ページ超にわたるノウハウ詰め合わせです。
[DL輪読会]StyleGAN-NADA: CLIP-Guided Domain Adaptation of Image Generators
[DL輪読会]StyleGAN-NADA: CLIP-Guided Domain Adaptation of Image Generators
Deep Learning JP
2021/08/13 Deep Learning JP: http://deeplearning.jp/seminar-2/
MS COCO Dataset Introduction
MS COCO Dataset Introduction
Shinagawa Seitaro
Introduction of Microsoft COCO Dataset for image captioning
機械学習 / Deep Learning 大全 (1) 機械学習基礎編
機械学習 / Deep Learning 大全 (1) 機械学習基礎編
Daiyu Hatakeyama
機械学習の技術的基礎部分を中心にまとめています。実装をする際の各種ハイパーパラメータの概要は理解できる程度に。
実務と論文で学ぶジョブレコメンデーション最前線2022
実務と論文で学ぶジョブレコメンデーション最前線2022
Teruyuki Sakaue
第70回 Machine Learning 15minutes! Broadcastというイベントでお話する内容です。 ジョブレコメンデーション系の論文とか実務でやっていることを色々共有します。
What's hot
(20)
SSII2020TS: 機械学習モデルの判断根拠の説明 〜 Explainable AI 研究の近年の展開 〜
SSII2020TS: 機械学習モデルの判断根拠の説明 〜 Explainable AI 研究の近年の展開 〜
画像認識モデルを作るための鉄板レシピ
画像認識モデルを作るための鉄板レシピ
AI開発を円滑に進めるための契約・法務・知財
AI開発を円滑に進めるための契約・法務・知財
(修正)機械学習デザインパターン(ML Design Patterns)の解説
(修正)機械学習デザインパターン(ML Design Patterns)の解説
SSII2020SS: グラフデータでも深層学習 〜 Graph Neural Networks 入門 〜
SSII2020SS: グラフデータでも深層学習 〜 Graph Neural Networks 入門 〜
マルチモーダル深層学習の研究動向
マルチモーダル深層学習の研究動向
1 データとデータ分析
1 データとデータ分析
動作認識の最前線:手法,タスク,データセット
動作認識の最前線:手法,タスク,データセット
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
機械学習モデルの判断根拠の説明
機械学習モデルの判断根拠の説明
Devsumi 2018summer
Devsumi 2018summer
For MANABIYA
For MANABIYA
SSII2022 [SS1] ニューラル3D表現の最新動向〜 ニューラルネットでなんでも表せる?? 〜
SSII2022 [SS1] ニューラル3D表現の最新動向〜 ニューラルネットでなんでも表せる?? 〜
みんなが知らない pytorch-pfn-extras
みんなが知らない pytorch-pfn-extras
自己教師学習(Self-Supervised Learning)
自己教師学習(Self-Supervised Learning)
cvpaper.challenge 研究効率化 Tips
cvpaper.challenge 研究効率化 Tips
[DL輪読会]StyleGAN-NADA: CLIP-Guided Domain Adaptation of Image Generators
[DL輪読会]StyleGAN-NADA: CLIP-Guided Domain Adaptation of Image Generators
MS COCO Dataset Introduction
MS COCO Dataset Introduction
機械学習 / Deep Learning 大全 (1) 機械学習基礎編
機械学習 / Deep Learning 大全 (1) 機械学習基礎編
実務と論文で学ぶジョブレコメンデーション最前線2022
実務と論文で学ぶジョブレコメンデーション最前線2022
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
NIPS2019採択のAmazon「think globally, act locally_ a deep neural network approach to high-dimensional time series forecasting」の論文紹介スライド
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
Sports Analyst Meetup #5 2019-11-02 (Sat)
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
「large-scale order dispatch in on-demand ride-hailing platforms: a learning and planning approach」DiDi AI Lab@KDD2018の論文紹介資料
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
Sports Analyst Meetup #3 LT資料 #spoana
平成30年度 UNIVAS 事業報告
平成30年度 UNIVAS 事業報告
SaeruYamamuro
日本版NCAAであるUNIVASの15大学の事業報告を簡単にまとめています。
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
Sports Analyst Meetup #2 LT資料
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