Contextual Sprint Classification in Soccer Based on Deep Learning

对足球比赛中高强度奔跑（或冲刺）的分析一直是体育科学研究人员和从业者感兴趣的话题。特别是，最近的研究建议根据它们的战术目的来上下文化冲刺，以更好地理解现代比赛所需的身体和战术要求。然而，它们存在可扩展性的限制，因为人类专家必须手动为每场比赛分类数百个冲刺。为了解决这个挑战，本文提出了一个深度学习框架，用于自动将足球中的冲刺分类为上下文类别。所提出的模型通过部署Set Transformers和双向GRU来覆盖足球中多智能体轨迹的排列不变性和顺序性质。我们通过人类注释者和基于规则的分类器的协作来训练模型。实验结果表明，我们的模型将测试数据集中的冲刺分类为15个类别，准确率为77.65％，表明所提出的框架有潜力促进大规模足球冲刺的综合分析。

本文旨在提出一种深度学习框架，自动将足球比赛中的短跑分为不同的上下文类别，以解决手动分类的可扩展性问题。

论文提出的模型结合了Set Transformers和双向GRU，能够处理足球比赛中多个运动员轨迹的排列不变性和时序性。

本文使用人类注释者和基于规则的分类器标记数据集进行训练，测试数据集的分类准确率为77.65%。该框架有望促进足球短跑的综合分析。

最近的相关研究集中在基于上下文的足球短跑分类方法上，例如“Contextualizing sprinting for elite male soccer players”和“Quantifying the high-speed running and sprinting profiles of elite female soccer players”。