[论文解读] Fine-Grained Retrieval of Sports Plays using Tree-Based Alignment of Trajectories

Long Sha, Patrick Lucey+4 more|arXiv (Cornell University)|Oct 6, 2017

Data Management and Algorithms参考文献 40被引用 14

一句话总结

本文提出了一种基于树结构的分层对齐方法，用于多智能体体育动作的细粒度检索，通过实现粗粒度到细粒度的球员轨迹对齐，解决了轨迹比较中的排列问题。该方法在最先进方法的基础上显著提升了检索准确率，特别是在基于子集的查询中表现更优，经领域专家用户研究验证，相似性排序的精确度更高。

ABSTRACT

We propose a novel method for effective retrieval of multi-agent spatiotemporal tracking data. Retrieval of spatiotemporal tracking data offers several unique challenges compared to conventional text-based retrieval settings. Most notably, the data is fine-grained meaning that the specific location of agents is important in describing behavior. Additionally, the data often contains tracks of multiple agents (e.g., multiple players in a sports game), which generally leads to a permutational alignment problem when performing relevance estimation. Due to the frequent position swap of agents, it is difficult to maintain the correspondence of agents, and such issues make the pairwise comparison problematic for multi-agent spatiotemporal data. To address this issue, we propose a tree-based method to estimate the relevance between multi-agent spatiotemporal tracks. It uses a hierarchical structure to perform multi-agent data alignment and partitioning in a coarse-to-fine fashion. We validate our approach via user studies with domain experts. Our results show that our method boosts performance in retrieving similar sports plays -- especially in interactive situations where the user selects a subset of trajectories compared to current state-of-the-art methods.

研究动机与目标

• 为解决多智能体时空数据中的排列对齐挑战，其中球员身份在比赛中频繁互换位置。
• 通过实现多球员复杂动态轨迹之间的准确相似性估计，提升体育动作的细粒度检索能力。
• 开发一种可扩展且高效的检索系统，支持体育分析师的范例检索和子集检索查询。
• 通过领域专家用户研究，验证该方法在对齐与检索技术方面优于现有方法。
• 实现在体育分析中实用、快速且直观的相似动作检索，将检索时间从数天缩短至数秒。

提出的方法

• 该方法使用分层树结构，以粗粒度到细粒度的方式执行多智能体数据对齐，按不同粒度层级将轨迹聚类。
• 在树的每一层，学习一个模板以表示球员之间的相对空间构型，从而实现在帧间的一致对齐。
• 树结构通过基于空间构型相似性的递归数据划分，实现高效的搜索与比较。
• 在排列校正后，对齐轨迹应用基于欧几里得距离的相似性度量，确保比较的鲁棒性。
• 系统集成局部敏感哈希（LSH）技术，实现从大规模比赛数据库中快速索引与检索。
• 该方法支持完整比赛和子集检索查询，用户可仅选择相关球员进行检索。

实验结果

研究问题

• RQ1 与单模板或成对对齐方法相比，基于树结构的分层对齐方法是否能提升多智能体时空数据中的相似性估计？
• RQ2 在仅关注部分球员的子集检索中，所提方法表现如何？
• RQ3 该树结构对齐方法在检索精确度和用户偏好方面是否优于最先进方法？
• RQ4 该方法能否有效应对体育比赛中因球员位置频繁互换而引发的排列问题？
• RQ5 分层结构在真实体育数据中在多大程度上提升了检索效率与准确性？

主要发现

• 所提出的基于树结构的对齐方法在用户研究中显著提升了精确度，尤其在子集检索场景中表现更优。
• 领域专家用户研究证实，使用该方法的范例检索界面比基于文本或关键词的系统更有效且更易用。
• 在可压缩性实验中，该方法优于现有对齐技术，表明其对团队行为结构的表征能力更强。
• 在实际体育分析工作流中，系统将检索时间从数天缩短至数秒，展现出实际应用价值。
• 分层对齐提升了对球员排列的鲁棒性，即使球员身份在比赛中发生互换，也能实现准确比较。
• 如柱状图所示的胜率结果，该检索系统在多个指标和检索设置下均表现出一致的性能提升。