Sportradar, ein Anbieter von Echtzeit-Sportdaten, der diese sammelt und analysiert, und das Amazon ML Solutions Lab haben gemeinsam einen auf maschinellem Sehen basierenden Fußballtorvorhersager entwickelt.
Die meisten Modelle zur Handlungserkennung werden verwendet, um Ereignisse zu erkennen, wenn sie eintreten, aber das Amazon ML Solutions Lab entwickelte einen neuartigen, auf Computer Vision basierenden Soccer Goal Predictor, der zukünftige Fußballtore 2 Sekunden vor dem Ereignis vorhersagen kann.
„Wir haben dem Team des Amazon ML Solutions Lab absichtlich eines der schwierigsten möglichen Computer-Vision-Probleme vorgeworfen, um zu sehen, was die Kunst des Möglichen leisten kann, und ich bin sehr beeindruckt von den Ergebnissen“, sagt Ben Burdsall, Group CTO bei Sportradar. „Das Team hat ein Video-Aktionserkennungsmodell zur Vorhersage zukünftiger Fußballtore zwei Sekunden im Voraus mit Amazon SageMaker erstellt und seine Anwendung für die Verfolgung der Spielintensität demonstriert. Dies hat die Türen zu vielen neuen Geschäftsmöglichkeiten geöffnet. Die Implementierungskosten und die Latenz dieses Modells in unserer Produktionspipeline unter Verwendung der AWS-Infrastruktur sehen ebenfalls sehr ermutigend aus. Nach dem heutigen Tag habe ich keine Skepsis mehr, was das Potenzial von Computer Vision für die Innovation unseres Geschäfts angeht.“
Das Team verwendete Amazon SageMaker-Notebook-Instanzen, um eine Datenverarbeitungspipeline zu erstellen, die Trainingsbeispiele aus Rohvideos extrahierte und Transfer Learning zur Feinabstimmung eines Inflated 3D Networks (I3D)-Modells verwendete. Die Ergebnisse haben die Data-Science- und Innovationsteams von Sportradar dazu inspiriert, neue Statistiken zu entwickeln, die sie in ihre Broadcast-Videos einbetten können, um das Engagement der Fans zu erhöhen.
Um diese Momente zu erfassen, übersetzte das Amazon ML Solutions Lab dieses Ziel in ein binäres Klassifizierungsproblem: die Unterscheidung von Aktivitäten, die zu Toren führen, von denen, die nicht dazu führen. Die Stichproben in der positiven Klasse (Torklasse) sind Videoclips, die 2 Sekunden vor den Toren liegen, und die der negativen Klasse sind Clips, in denen die Spieler mit Aktivitäten beschäftigt sind, die nicht zu Toren führen (ballsichere Klasse). Sie haben 1.550 Clips aus 398 professionellen Fußballspielen generiert, die von Sportradar zur Verfügung gestellt wurden.
Ergebnisse
Recall wurde als primäre Metrik für die Modellevaluation verwendet, da nahezu 100 Prozent der Treffer (positive Klasse) erfasst werden sollte. Die folgenden Diagramme zeigen die Konfusionsmatrix und die Precision-Recall-Kurve. Es ist zu erkennen, dass es für das Modell schwierig ist, zwischen den beiden Klassen zu unterscheiden, wenn ein Recall von nahezu 100 % besteht. Das Amazon ML Solutions Lab hat die vorhergesagten Wahrscheinlichkeiten neu kalibriert, um die Modellleistung für das Erreichen von 80 % bzw. 90 % Recall für die positive Klasse (Sequenz führt zu einem Ziel) zu betrachten.
Nach dem Training und der Validierung wurde das Modell ausgewählt, das den besten Recall auf dem Validierungsset liefert. Sie generierten Inferenzen über drei vollständige Videospiele unter Verwendung eines beweglichen Fensters, wobei die vorhergesagten Wahrscheinlichkeiten als Intensitätsindex dienten. Um die Änderung der Geschwindigkeit während der Angriffe zu messen, wurde auch ein Momentum-Index für den aktuellen Zeitstempel generiert, indem die Steigung der linearen Regressionslinie der vorhergesagten Wahrscheinlichkeiten von vier vorherigen Zeitstempeln verwendet wurde. Schließlich wird eine Min-Max-Normalisierung verwendet, um den Index zwischen -1 und 1 zu skalieren. Daher misst der Momentum-Index effektiv, wie sich die vorhergesagten Zielwahrscheinlichkeiten in den letzten paar Sekunden ändern.
sportsbusiness.at Plus – jetzt kostenlos registrieren:
Registrieren Sie sich jetzt kostenlos für sportsbusiness.at Plus und erhalten Sie damit Zugang zu allen exklusiven Inhalten von sportsbusiness.at:
