![](https://csdnimg.cn/release/download_crawler_static/88424801/bg4.jpg)
P. Felsen,P.Lucey和S.Ganguly
等人[13]使用嘈杂的球员检测的占用图来预测篮球广播的相机运动。
Zheng等人[14]使用基于图像的球员位置随时间的表示来模拟未来的位
置。 篮球。Lucey等人[5]从原始位置数据中学习角色表示,而Le等
人,[7]利用深度神经网络的类似表示来模拟整个足球队的运动路径。
Felsen等人[15]使用手工制作的功能来预测未来的水球和篮球比赛。最
后,Su et al.[16]使用以自我为中心的外观和联合注意力来模拟社会动
态并预测篮球运动员的运动。在本文中,我们利用的代表性,最接近
类似乐等。[7],[1]使用的CVAE方法,以及类似于[16]的预测任务。
跟踪数据推荐系统的个性化,其为各种任务提供
个性化
预测,通
常使用矩阵分解技术[17]。然而,这种技术的操作假设,一个可以
线性分解的数据,使用手工制作的功能来捕捉非线性。然而,结
合深度模型和海量视觉数据,基于视觉数据的推荐引擎开始出
现。最近,邓等。[18]使用因子化变分自动编码器来
模拟观众对全
功能长度电影的反应。Charles等人[19]
提出了使用
C
NN
来
操作应用程序
的应用程序
。
Insafutdinov等人,[6]使用图分割来对相似的身体部位
进行分组,以实现有效的身体姿势跟踪。在所有这些工作中,他
们使用他们的深度网络来找到编码器状态的低维嵌入,他们使用
这些嵌入来个性化他们的预测。在这项工作中,我们遵循了类似
的策略,但包括在变分模块中的嵌入。
条件变分自动编码器变分自动编码器[20]类似于传统的自动编码器,
但增加了潜在空间的正则化,这允许在各种上下文中生成新的示例
[21,22]。由于细粒度预测的任务自然是历史和上下文确定未来运动
的任务,因此我们利用条件变分自动编码器(CVAE)[23,24]。在计
算机视觉中,CVAE最近被用于修复[25,26],并用于预测复杂场景中
智能体的未来运动在本文中,我们应用的历史和周围环境的条件反射
的想法来预测多个代理的个性化对抗运动没有排名或细化。
3
篮球跟踪数据集
团队运动为评估个性化行为模式提供了理想的环境。首先,体育运动
中存在大量的标记数据,包括每个运动员的潜在数千个数据点。此
外,团队运动中的行为是明确定义的和复杂的,多个代理同时相互作
用的合作和对抗。因此,运动跟踪数据是完全非结构化的跟踪数据
(
例如,
其中代理的数量不受约束)和高度结构化