1.Обнаружение событий в футболе с использованием графовых сверточных сетей(arXiv)
Автор: Адитья Санграм Сингх Рана
Аннотация. Стремительный рост сбора данных в спорте открыл многочисленные возможности для профессиональных команд и медиа-компаний, чтобы получить представление об этих данных. Собранные данные включают в себя траектории игроков и мячей по кадрам, а также аннотации событий, такие как пасы, фолы, карточки, голы и т. д. Недавно для обработки этих сильно неструктурированных данных отслеживания, которые иначе было бы трудно смоделировать, были использованы сверточные сети графов (GCN). из-за отсутствия ясности в том, как упорядочивать игроков в последовательности и как обращаться с отсутствующими интересующими объектами. В этой диссертации мы сосредоточимся на цели автоматического обнаружения событий из футбольных видео. Мы показываем, как моделировать игроков и мяч в каждом кадре видеопоследовательности в виде графа, и представляем результаты для сверточных слоев графа и методов объединения, которые можно использовать для моделирования временного контекста, присутствующего вокруг каждого действия.
2 .Сверточная сеть Neighborhood Homophily-Guided Graph(arXiv)
Автор: Шэнбо Гун, Цзяцзюнь Чжоу, Чэньсюань Се, Ци Сюань.
Аннотация : Графовые нейронные сети (GNN) добились значительных успехов в задачах, ориентированных на графы. Однако многие графы реального мира содержат гетерофилию или низкую гомофилию, что ставит под сомнение предположение о гомофилии классических GNN и приводит к низкой производительности. Хотя появилось много исследований, направленных на повышение универсальности GNN, они редко рассматривают повторное использование меток и корреляцию предлагаемых ими показателей и моделей. В этой статье мы сначала разрабатываем новую метрику под названием Neighborhood Homophily (\textit{NH}) для измерения сложности или чистоты меток в окрестностях узлов. Кроме того, мы включаем эту метрику в классическую архитектуру графовой сверточной сети (GCN) и предлагаем \textbf{N}eighborhood \textbf{H}omophily-\textbf{G}uided \textbf{G}raph \textbf{C}onvolutional \ сеть textbf{N} (\textbf{NHGCN}). В этой структуре узлы группируются по оценочным значениям \textit{NH} для достижения распределения веса внутри группы во время распространения и агрегирования сообщений. Затем сгенерированные прогнозы узлов используются для оценки и обновления новых значений \textit{NH}. Два процесса оценки метрик и вывода модели поочередно оптимизируются для достижения лучшей классификации узлов. Обширные эксперименты как с гомофильными, так и с гетерофильными эталонными тестами показывают, что \textbf{NHGCN} достигает современной общей производительности при полуконтролируемой классификации узлов для решения проблемы универсальности.
