2018/08/08 1 Kaggle DFL コンペ：ビデオ映像に基づくプレーの確認 ◆ 概要 : ドイツのサッカーリーグによるコンペで， 9つのサッカーの試合を録画したデータをもとに， “３種類のプレイヤーの 行動を 行った時刻”と”種類”の両方 検出することを目標 Just Throwing!!!

2018/08/08 2 1位ソリューション： https://www.kaggle.com/competitions/dfl-bundesliga-data-shootout/discussion/359932 ◆ 入力：グレースケール 1024x1024の15 frame ➢ 理由： runtime制約。フレーム数は実験的に出した。 ➢ 入力直後に、bs*frames x channels x H x WにReshapeする。 ➢ 3Dconv前に、bs x frames x channels x H x Wに戻す。 ◆ Net構造 ➢ 概要：2.5D と 3D の組み合わせによって構築された 1 段階のアーキテクチャ ➢ Backbone：efficientnetv2_b0 or efficientnetv2_b1 ⚫ 理由：これより大きいモデルだとオーバーフィットした。 ➢ 最終レイヤーのみ3D convで実行 ⚫ 理由：高速化のため。 ◆ Loss：3target BCE ➢ hard labels in a small window around the actual event（ソフトで検証したけど、ハードの方が良かった） ◆ データ： ➢ 配られたモノでほぼ検討。SoccerNetを使うとちょっと良くなった。疑似ラベルをやってみたけどうまく行かなかった。 ◆ Augmentation ➢ Brightness, Contrast, cutout, rotate, transpose ,vFlitp, Hflip, Resize, mixup ◆ 実装 ➢ スレッド化をして高速化頑張った。 ◆ アルゴリズム ➢ 1 つのモデルで2 番目のフレームのみを予測し、最終的なソリューションは 2 つのモデルをフレームごとに交互にブレンド ➢ その後後処理を適用してFPの数を減らします 入力 (15,1,1024,102) Efficientnet b0 or b1 3d conv Training model architecture play challenge throwin

2018/08/08 3 ２位：DFL - Bundesliga Data Shootout | Kaggle ◆ 詳細はページを見た方が良い ◆ 考え方の差分 ➢ 大枠は当初のうちらの考え方同じ。 ⚫ ボール検出⇒クロップ⇒分類 ➢ ただ、１つ１つの作りこみが全然レベルが違う

2018/08/08 4 反省：色々な問題により全然モデルが収束しなかった。。。 ◆ 反省大：モデルの作りが悪い、バックボーンの選定実験が少なかった ➢ おれ：Backbone => reshape => 1d gaussian ➢ 3位の人：backbone => deconv => 1d gaussian ◆ 反省大： Loss重み ➢ 俺：無し（imbalanced samplerで対応した） ➢ ３位の人：Focal loss + class weight ◆ 反省大：入出力 ➢ おれ：サッカーボールの位置をヒートマップで入れてた（これをするとかなり重くなってしまっていた。エラー処理のためにフィールドセグメンテーションも必要になっていたので。） ➢ ３位の人：画像だけ。 ◆ 反省中：時系列CNNを利用 ➢ 俺：2dCNNの入力をreshapeして入力（65frame x 3 x H,W => 195 x h x w)。１位の人と同じ感じではあった。 ➢ ３位の人：TSMモデルでレイヤー内でちゃんと実行 ◆ 反省中：事前学習でSoccerNet利用 ➢ ３位の人：ボール位置に対して事前学習 ◆ 反省小：複数モデル ➢ ３位の人：フレームの長さ、解像度の大きさで複数モデル作成しアンサンブル ◆ 反省小：学習設定 ➢ LR：ちょっと小さかったかも