GNNs, Optimal Transport & Contrastive Learning for sport analytics
Visualitza/Obre
170418.pdf (9,267Mb) (Accés restringit)
Estadístiques de LA Referencia / Recolecta
Inclou dades d'ús des de 2022
Cita com:
hdl:2117/375363
Realitzat a/ambÉcole polytechnique fédérale de Lausanne
Tipus de documentTreball Final de Grau
Data2022-10-04
Condicions d'accésAccés restringit per decisió de l'autor
Tots els drets reservats. Aquesta obra està protegida pels drets de propietat intel·lectual i
industrial corresponents. Sense perjudici de les exempcions legals existents, queda prohibida la seva
reproducció, distribució, comunicació pública o transformació sense l'autorització del titular dels drets
Abstract
L'analítica esportiva es troba a la intersecció entre la visió per ordinador, l'aprenentatge estadístic i la teoria de jocs. Tot i que s'han aplicat molts mètodes, encara hi ha tècniques d'aprenentatge automàtic d'última generació que no s'han provat ni aplicat als esports, principalment a causa de que la majoria d'aquestes requereixin conjunts de dades rics, que són majoritàriament privats i per tant, inaccessibles a la majoria d'investigadors. En aquesta tesi es fan tres aportacions en l'àmbit esportiu (futbol principalment). En primer lloc, es presenta un resum del àmbid de recerca de l'analítica esportiva, discutint mètodes passats i actuals, amb un enfocament en l'anàlisi tàctic automatitzat i la viabilitat d'utilitzar-hi GNNs (Graph Neural Networks), que era l'objectiu inicial nostre projecte. A continuació, apliquem i posem a prova una solució basada en el Optimal Transport i Wasserstein GANs per a un repte de reconeixement d'accions al futbol. Finalment, com que els resultats mostren que el mètode usat no sembla ser factible per a la tasca, intentem un de nou amb el desenvolupament d'una arquitectura de Contrastive Learning supervisat per aprendre representacions a partir de dades i les seves augmentacions, de nou per detectar accions. Tots dos mètodes no generalitzen bé a dades noves, per tant indicant que les seves arquitectures són més adequades per a classificacions d'accions més simples, on les característiques visuals són més evidents. Tot i que els resultats no assoleixen el rendiment desitjat, la nostra feina estableix una direcció de recerca base per el Contrastive Learning aplicat a l'anàlisi de l'esport. Al llarg d'aquest treball, ens ocupem d'una àmplia revisió de la literatura, l'augment de conjunts de dades, la càrrega iterativa de dades, el processament de dades a gran escala i la realització d'estudis d'abalació de models, entre d'altres. Descrivim idees que, amb les dades adequades, poden ser prometedores per al futur de l'analítica esportiva i l'aprenentatge automàtic.
MatèriesMachine learning, Deep learning, Computer vision, Aprenentatge automàtic, Aprenentatge profund, Visió per ordinador
TitulacióGRAU EN CIÈNCIA I ENGINYERIA DE DADES (Pla 2017)
Fitxers | Descripció | Mida | Format | Visualitza |
---|---|---|---|---|
170418.pdf | 9,267Mb | Accés restringit |