[논문 리뷰] Predicting Shot Making in Basketball Learnt from Adversarial Multiagent Trajectories

Mark E. Harmon, Ebrahimi, Abdolghani외 2명|arXiv (Cornell University)|2016. 09. 15.

Human Pose and Action Recognition참고 문헌 20인용 수 12

한 줄 요약

이 논문은 적대적 다중에이전트 농구 궤적을 다중채널 흐리게 된 이미지로 변환하는 컨볼루션 신경망(CNN) 기반 접근법을 제안하며, 수작업으로 만든 특징 모델보다 우수한 성능을 기록한다. 최고의 모델인 CNN+FFN 앙상블은 61.5%의 정확도(39% 오류율)를 달성했으며, 기울기 상승을 통해 슛 위치, 수비 압박, 공간적 배치를 탐지하는 데 학습된 필터를 확인할 수 있었다.

ABSTRACT

In this paper, we predict the likelihood of a player making a shot in basketball from multiagent trajectories. Previous approaches to similar problems center on hand-crafting features to capture domain specific knowledge. Although intuitive, recent work in deep learning has shown this approach is prone to missing important predictive features. To circumvent this issue, we present a convolutional neural network (CNN) approach where we initially represent the multiagent behavior as an image. To encode the adversarial nature of basketball, we use a multi-channel image which we then feed into a CNN. Additionally, to capture the temporal aspect of the trajectories we "fade" the player trajectories. We find that this approach is superior to a traditional FFN model. By using gradient ascent to create images using an already trained CNN, we discover what features the CNN filters learn. Last, we find that a combined CNN+FFN is the best performing network with an error rate of 39%.

연구 동기 및 목표

• 수작업으로 만든 특징이 아닌 전체 다중에이전트 궤적을 사용해 농구 슛 성공 가능성 예측을 위한 목표.
• 플레이어와 볼의 움직임을 이미지 기반 표현으로 모델링하여 농구의 적대적이고 역동적인 특성을 반영하는 목표.
• 도메인 특화된 특징 공학을 피하고 딥러닝을 활용해 예측 특징을 자동으로 발견하는 목표.
• 이미지 기반 CNN과 전통적인 피드포워드 네트워크(FFN) 간의 성능 비교를 위한 목표.
• 기울기 상승을 통한 시각화를 통해 모델의 의사결정 과정에서 해석 가능한 통찰을 제공하는 목표.

제안 방법

• 공격수와 수비수의 궤적, 볼의 궤적을 각각 플레이어 또는 볼을 인코딩하는 11채널 이미지로 표현.
• 선형 흐리게 하기( fading )를 적용해 시간적 동역학을 인코딩하며, 초기 위치는 더 흐리게 표현.
• 표준 ImageNet 모델(예: AlexNet)을 피하기 위해 다중채널 궤적 이미지에 특화된 커스텀 CNN 아키텍처 사용.
• 예측 성능 향상을 위해 CNN과 피드포워드 네트워크(FFN)를 결합.
• CNN의 필터가 학습한 내용을 시각화하기 위해 기울기 상승을 적용하여 공간적 및 전략적 패턴을 파악.
• 실제 경기 데이터와의 유사도를 측정하기 위해 구조적 유사도-SSIM을 사용해 필터 활성화의 유의미함을 검증.

실험 결과

연구 질문

• RQ1 이미지로 변환된 다중에이전트 궤적을 기반으로 훈련된 딥러닝 모델이 기존 수작업 특징 모델보다 슛 예측 성능에서 뛰어나게 되는가?
• RQ2 모델은 성공 슛와 실패 슛를 구분하기 위해 어떤 공간적 및 시간적 특징을 학습했는가?
• RQ3 흐리게 하기 기법이 이미지 표현에서 플레이어 궤적의 시간적 모델링을 얼마나 향상시키는가?
• RQ4 학습된 필터가 수비 압박이나 슛 위치와 같은 알려진 농구 전략과 얼마나 일치하는가?
• RQ5 기울기 시각화를 통해 모델의 의사결정 과정에서 이해할 수 있고 도메인에 관련된 패턴을 드러낼 수 있는가?

주요 결과

• CNN+FFN 모델이 가장 높은 성능을 기록하며 39% 오류율(61.5% 정확도)을 달성했으며, 200개의 수작업 특징을 사용한 모델보다 뛰어났다.
• 모델은 슛 시점의 슛 위치와 슛을 시도하는 플레이어 주변의 수비수 수와 같은 핵심 예측 요소를 성공적으로 학습했다.
• 기울기 상승 분석 결과, 초기 CNN 레이어는 슛 위치를 탐지하는 데 전문화되어 있었고, 더 깊은 레이어는 수비 및 공격의 공간적 구성 요소를 식별했다.
• 흐리게 하기 기법이 포함된 이미지 기반 접근법은 원-핫 인코딩이나 비흐리게 하기 표현보다 시간적 역동성을 더 효과적으로 포착했다.
• SSIM 분석 결과, 필터 활성화가 실제 경기 데이터와 상관관계가 있었지만, 성능은 다양했다 — 특히 코너 지역에서 볼 활동은 역사적 활동 빈도가 낮아 가장 열악한 성능을 보였다.
• 모델은 각 플레이어 역할에 맞는 슛 위치 기반 정확한 히트맵을 생성하여, 중심선이 짧은 거리에서 높은 성공률을 보이는 것과 같은 알려진 슛 성향과의 일치를 확인했다.