Individual role classification for players defending corners in football (soccer)
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Choosing the right defensive corner-strategy is a crucial task for each coach in professional football (soccer). Although corners are repeatable and static situations, due to their low conversion rates, several studies in literature failed to find useable insights about the efficiency of various corner strategies. Our work aims to fill this gap. We hand-label the role of each defensive player from 213 corners in 33 matches, where we then employ an augmentation strategy to increase the number of data points. By combining a convolutional neural network with a long short-term memory neural network, we are able to detect the defensive strategy of each player based on positional data. We identify which of seven well-established roles a defensive player conducted (player-marking, zonal-marking, placed for counterattack, back-space, short defender, near-post, and far-post). The model achieves an overall weighted accuracy of 89.3%, and in the case of player-marking, we are able to accurately detect which offensive player the defender is marking 80.8% of the time. The performance of the model is evaluated against a rule-based baseline model, as well as by an inter-labeller accuracy. We demonstrate that rules can also be used to support the labelling process and serve as a baseline for weak supervision approaches. We show three concrete use-cases on how this approach can support a more informed and fact-based decision making process.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle