用于预测体育运动中的队形的系统和方法与流程

技术特征：
1.一种预测比赛场地表面上的团队的队形的方法，包括：由计算系统检索多个赛事的一个或更多个赛事数据集，其中，每个赛事数据集对应于相应赛事的片段；由深度神经网络基于所述一个或更多个赛事数据集学习以预测每个相应赛事的每个片段中的运动员的最佳排列；由所述深度神经网络基于从数据存储检索的对应赛事数据和运动员的最佳排列来学习每个片段的运动员的分布；由所述计算系统基于所述学习生成完全训练的预测模型；由所述计算系统接收对应于目标赛事的目标赛事数据，所述目标赛事数据包括针对包括目标比赛场地表面上的多个运动员的团队的信息；以及由所训练的预测模型基于所述目标赛事数据生成所述多个运动员中的每个运动员在所述目标比赛场地表面上的期望位置。2.根据权利要求1所述的方法，还包括：针对每个赛事数据集，由所述计算系统确定所述比赛场地表面上的运动员的数量；以及由所述计算系统基于所述比赛场地表面上的所述运动员的数量将所述深度神经网络参数化。3.根据权利要求1所述的方法，其中，由所述深度神经网络基于所述一个或更多个赛事数据集学习以预测所述赛事的每个片段中的所述运动员的最佳排列包括：基于赛事信息将每个运动员软分配给角色以生成多个可能的排列。4.根据权利要求1所述的方法，其中，由所述深度神经网络基于从所述数据存储检索的所述对应赛事数据和所述运动员的最佳排列学习每个片段的所述运动员的分布包括：学习以预测所述运动员的最佳排列中的运动员的基础分布。5.根据权利要求1所述的方法，其中，由所训练的预测模型基于所述目标赛事数据生成所述多个运动员中的每个运动员在所述比赛场地表面上的所述期望位置包括：生成2p维分布作为输出，所述2p维分布描述每个运动员在所述比赛场地表面上的定位，其中p表示所述多个运动员中的运动员的数量。6.根据权利要求1所述的方法，还包括：由所述计算系统生成与所述多个运动员中的每个运动员在所述目标比赛场地表面上的所述期望位置对应的队形的语义标签。7.根据权利要求1所述的方法，还包括：由所述计算系统接收所述目标赛事的广播流；由所述计算系统确定所述广播流的视频帧中至少一个目标运动员不存在；以及由所述计算系统基于所述多个运动员中的每个运动员在所述目标比赛场地表面上的所述期望位置来识别所述至少一个目标运动员的推断位置。8.一种用于预测比赛场地表面上的团队的队形的系统，包括：处理器；以及存储器，所述存储器上存储有编程指令，所述编程指令在由所述处理器执行时，执行一个或更多个操作，包括：
检索多个赛事的一个或更多个赛事数据集，其中，每个赛事数据集对应于每个相应赛事的片段；由深度神经网络基于所述一个或更多个赛事数据集学习以预测每个相应赛事的每个片段中的运动员的最佳排列；由所述深度神经网络基于从数据存储检索的对应赛事数据和运动员的最佳排列来学习每个片段的运动员的分布；基于所述学习生成完全训练的预测模型；接收对应于目标赛事的目标赛事数据，所述目标赛事数据包括针对包括目标比赛场地表面上的多个运动员的团队的信息；以及由所训练的预测模型基于所述目标赛事数据生成所述多个运动员中的每个运动员在所述目标比赛场地表面上的期望位置。9.根据权利要求8所述的系统，其中，所述一个或更多个操作还包括：针对每个赛事数据集，确定比赛场地表面上的运动员的数量；以及基于所述比赛场地表面上的所述运动员的数量将所述深度神经网络参数化。10.根据权利要求8所述的系统，其中，由所述深度神经网络基于所述一个或更多个赛事数据集学习以预测所述赛事的每个片段中的所述运动员的最佳排列包括：基于赛事信息将每个运动员软分配给角色以生成多个可能的排列。11.根据权利要求8所述的系统，其中，由所述深度神经网络基于从数据存储检索的所述对应赛事数据和所述运动员的最佳排列学习每个片段的所述运动员的分布包括：学习以预测所述运动员的最佳排列中的运动员的基本分布。12.根据权利要求8所述的系统，其中，由所训练的预测模型基于所述目标赛事数据生成所述多个运动员中的每个运动员在所述比赛场地表面上的期望位置包括：生成2p维分布作为输出，所述2p维分布描述每个运动员在所述比赛场地表面上的定位，其中p表示所述多个运动员中的运动员的数量。13.根据权利要求8所述的系统，其中，所述一个或更多个操作还包括：生成与所述多个运动员中的每个运动员在所述目标比赛场地表面上的所述期望位置对应的队形的语义标签。14.根据权利要求8所述的系统，其中，所述一个或更多个操作还包括：接收所述目标赛事的广播流；确定所述广播流的视频帧中至少一个目标运动员不存在；以及基于所述多个运动员中的每个运动员在所述目标比赛场地表面上的所述期望位置来识别所述至少一个目标运动员的推断位置。15.一种非暂时性计算机可读介质，所述非暂时性计算机可读介质包括一个或更多个指令序列，所述一个或更多个指令序列在由一个或更多个处理器执行时，使计算系统执行操作，所述操作包括：由所述计算系统检索多个赛事的一个或更多个赛事数据集，其中，每个赛事数据集对应于每个相应赛事的片段；由深度神经网络基于所述一个或更多个赛事数据集学习以预测每个相应赛事的每个片段中的运动员的最佳排列；
由所述深度神经网络基于从数据存储检索的对应赛事数据和运动员的最佳排列来学习每个片段的运动员的分布；由所述计算系统基于所述学习生成完全训练的预测模型；由所述计算系统接收对应于目标赛事的目标赛事数据，所述目标赛事数据包括针对包括比赛场地表面上的多个运动员的团队的信息；以及由所训练的预测模型基于所述目标赛事数据生成所述多个运动员中的每个运动员在所述比赛场地表面上的期望位置。16.根据权利要求15所述的非暂时性计算机可读介质，还包括：针对每个赛事数据集，由所述计算系统确定比赛场地表面上的运动员的数量；以及由所述计算系统基于所述比赛场地表面上的所述运动员的数量将所述深度神经网络参数化。17.根据权利要求15所述的非暂时性计算机可读介质，其中，由所述深度神经网络基于所述一个或更多个赛事数据集学习以预测所述赛事的每个片段中的所述运动员的最佳排列包括：基于赛事信息将每个运动员软分配给角色以生成多个可能的排列。18.根据权利要求15所述的非暂时性计算机可读介质，其中，由所述深度神经网络基于从数据存储检索的所述对应赛事数据和所述运动员的最佳排列学习每个片段的所述运动员的分布包括：学习以预测所述运动员的最佳排列中的运动员的基本分布。19.根据权利要求15所述的非暂时性计算机可读介质，其中，所述赛事信息包括团队信息、对手信息、控球信息、以及球的x，y坐标。20.根据权利要求15所述的非暂时性计算机可读介质，其中，由所训练的预测模型基于所述目标赛事数据生成所述多个运动员中的每个运动员在所述比赛场地表面上的所述期望位置包括：生成2p维分布作为输出，所述2p维分布描述每个运动员在所述比赛场地表面上的定位，其中p表示所述多个运动员中的运动员的数量。

技术总结
本文公开了一种预测比赛场地表面上的团队的队形的系统和方法。计算系统检索多个赛事的一个或更多个赛事数据集。每个赛事数据集对应于赛事的片段。诸如混合密度网络的深度神经网络基于一个或更多个赛事数据集学习以预测赛事的每个片段中的运动员的最佳排列。深度神经网络基于对应的赛事数据和运动员的最佳排列来学习每个片段的运动员的分布。计算系统基于学习生成完全训练的预测模型。计算系统接收对应于目标赛事的目标赛事数据。计算系统基于目标赛事数据经由所训练的预测模型生成每个运动员的期望位置。运动员的期望位置。运动员的期望位置。


技术研发人员：詹妮弗
受保护的技术使用者：斯塔特斯公司
技术研发日：2021.05.27
技术公布日：2023/2/23