| Summary: | ChyronHego tracks a large number of football games. Occasionally there are errors in the tracked positions of the ball or the players. This thesis aims to investigate to what extent vanilla autoencoders, variational autoencoders and conditional variational autoencoders can recognise patterns in the data and thus be used to predict missing data for individual agents’ trajectories in an adversarial multi-agent situation such as a football game. Furthermore, we also implement a multi-agent role alignment technique to order the outfield players in the dataset and use their identity, learnt unsupervised, in the predictions. We find out that in cases where the model cannot sufficiently rely on the individual agent’s trajectory information, it efficiently uses the context, i.e. the other agents behaviour, to make more accurate predictions of the missing data. However, the identities of the players do not seem to improve the predictions of the models. === ChyronHego samlar in data från ett stort antal fotbollsmatcher. Denna data innehåller bollens och spelarnas positioner över tid, men ibland saknas korrekta positioner för en spelare och det finns då ett behov av att kunna predicera dessa. Målet med detta arbete är att undersöka hur en autoencoder, en variational autoencoder samt en conditional variational autoencoder kan användas för att känna igen mönster i datan. Vidare kommer arbetet undersöka om dessa modeller kan predicera korrekta positioner för spelarna under en fotbollsmatch. Utöver de ovan nämnda modellerna kommer vi även att implementera en rolljusteringsteknik som använder sig av icke-vägledd inlärning av spelarnas inbördes ordning, vilken skulle kunna ge förbättrade prediktioner. Resultaten visar att när korrekt data saknas för en spelares position kan modellen använda övriga spelares rörelsemönster för att kunna predicera den korrekta positionen, vidare finner vi inget stöd för att de inlärda egenskaperna från rolljusteringstekniken förbättrar modellens prediktioner.
|
|---|
