論文の概要: FSD-10: A Dataset for Competitive Sports Content Analysis
- arxiv url: http://arxiv.org/abs/2002.03312v1
- Date: Sun, 9 Feb 2020 08:04:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-02 14:43:47.629304
- Title: FSD-10: A Dataset for Competitive Sports Content Analysis
- Title(参考訳): fsd-10:スポーツコンテンツ分析のためのデータセット
- Authors: Shenlan Liu, Xiang Liu, Gao Huang, Lin Feng, Lianyu Hu, Dong Jiang,
Aibin Zhang, Yang Liu, Hong Qiao
- Abstract要約: フィギュアスケートデータセット(FSD-10)は、きめ細かいアクションのコレクションを持つように設計されている。
各クリップは毎秒30フレーム、解像度は1080ドルで720ドルだ。
FSD-10における動作認識手法の評価を行った。
- 参考スコア(独自算出の注目度): 29.62110021022271
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Action recognition is an important and challenging problem in video analysis.
Although the past decade has witnessed progress in action recognition with the
development of deep learning, such process has been slow in competitive sports
content analysis. To promote the research on action recognition from
competitive sports video clips, we introduce a Figure Skating Dataset (FSD-10)
for finegrained sports content analysis. To this end, we collect 1484 clips
from the worldwide figure skating championships in 2017-2018, which consist of
10 different actions in men/ladies programs. Each clip is at a rate of 30
frames per second with resolution 1080 $\times$ 720. These clips are then
annotated by experts in type, grade of execution, skater info, .etc. To build a
baseline for action recognition in figure skating, we evaluate state-of-the-art
action recognition methods on FSD-10. Motivated by the idea that domain
knowledge is of great concern in sports field, we propose a keyframe based
temporal segment network (KTSN) for classification and achieve remarkable
performance. Experimental results demonstrate that FSD-10 is an ideal dataset
for benchmarking action recognition algorithms, as it requires to accurately
extract action motions rather than action poses. We hope FSD-10, which is
designed to have a large collection of finegrained actions, can serve as a new
challenge to develop more robust and advanced action recognition models.
- Abstract(参考訳): アクション認識はビデオ分析において重要かつ困難な問題である。
過去10年間、深層学習の発展とともに行動認識の進展が見られたが、スポーツコンテンツ分析の競争は鈍化している。
競技用スポーツビデオクリップからの行動認識の研究を促進するために,スポーツコンテンツ分析のためのフィギュアスケートデータセット(FSD-10)を導入する。
この目的のために、2017-2018年の世界フィギュアスケート選手権から1484のクリップを収集し、男性/女性プログラムで10の異なるアクションからなる。
各クリップは毎秒30フレームのレートで、解像度は1080$\times$720である。
これらのクリップは、タイプ、実行の成績、スケーター情報などの専門家によって注釈付けされる。
など
フィギュアスケートにおけるアクション認識のベースラインを構築するために,fsd-10における最先端のアクション認識手法を評価する。
ドメイン知識はスポーツ分野において大きな関心事であるという考えに動機付けられ,キーフレームに基づく時間セグメントネットワーク(KTSN)を提案する。
FSD-10はアクションポーズではなくアクション動作を正確に抽出する必要があるため、アクション認識アルゴリズムをベンチマークするための理想的なデータセットであることを示す。
きめ細かいアクションの集合体として設計されたFSD-10は、より堅牢で高度なアクション認識モデルを開発する上で、新たな課題となることを願っている。
関連論文リスト
- Towards Active Learning for Action Spotting in Association Football
Videos [59.84375958757395]
フットボールビデオの分析は困難であり、微妙で多様な時間的パターンを特定する必要がある。
現在のアルゴリズムは、限られた注釈付きデータから学ぶ際に大きな課題に直面している。
次にアノテートすべき最も情報に富んだビデオサンプルを選択する能動的学習フレームワークを提案する。
論文 参考訳(メタデータ) (2023-04-09T11:50:41Z) - A Survey on Video Action Recognition in Sports: Datasets, Methods and
Applications [60.3327085463545]
本稿では,スポーツ分析のための映像行動認識に関する調査を行う。
サッカー、バスケットボール、バレーボール、ホッケー、フィギュアスケート、体操、卓球、ダイビング、バドミントンなど10種以上のスポーツを紹介します。
本研究では,サッカー,バスケットボール,卓球,フィギュアスケート動作認識をサポートするPaddlePaddleを用いたツールボックスを開発した。
論文 参考訳(メタデータ) (2022-06-02T13:19:36Z) - Skating-Mixer: Multimodal MLP for Scoring Figure Skating [31.346611498891964]
我々はSkating-Mixerというマルチモーダルアーキテクチャを導入する。
設計したメモリリカレントユニット(MRU)を用いて,長期的表現を効果的に学習する。
実験により、提案手法は、公開Fis-VおよびFS1000データセット上のすべての主要な指標に対してSOTAよりも優れていることが示された。
論文 参考訳(メタデータ) (2022-03-08T10:36:55Z) - Sports Video: Fine-Grained Action Detection and Classification of Table
Tennis Strokes from Videos for MediaEval 2021 [0.0]
このタスクは、ビデオからのきめ細かいアクション検出と分類に取り組む。
主に卓球の試合の記録に焦点が当てられている。
本研究は,スポーツのパフォーマンスを解析するために,スポーツコーチや選手のためのツールを作成することを目的としている。
論文 参考訳(メタデータ) (2021-12-16T10:17:59Z) - A New Action Recognition Framework for Video Highlights Summarization in
Sporting Events [9.870478438166288]
YOLO-v3とOpenPoseという2つの古典的オープンソース構造に基づく3レベル予測アルゴリズムを用いて,スポーツビデオストリームを自動的にクリップするフレームワークを提案する。
その結果,スポーツ映像のトレーニングデータを用いて,スポーツ活動のハイライトを正確に行うことができることがわかった。
論文 参考訳(メタデータ) (2020-12-01T04:14:40Z) - Enhancing Unsupervised Video Representation Learning by Decoupling the
Scene and the Motion [86.56202610716504]
アクションカテゴリは、アクションが発生するシーンと非常に関連しているため、モデルが、シーン情報のみを符号化したソリューションに分解する傾向がある。
本稿では,シーンと動き(DSM)を2つの簡単な操作で分離し,動き情報に対するモデル注意がより高いようにすることを提案する。
論文 参考訳(メタデータ) (2020-09-12T09:54:11Z) - Hybrid Dynamic-static Context-aware Attention Network for Action
Assessment in Long Videos [96.45804577283563]
本稿では,長期ビデオにおけるアクションアセスメントのための新しいハイブリットDynAmic-static Context-aware AttenTION NETwork(ACTION-NET)を提案する。
ビデオのダイナミックな情報を学習すると同時に,特定フレームにおける検出した選手の静的姿勢にも焦点をあてる。
2つのストリームの特徴を組み合わせることで、専門家が与えた地道的なスコアによって監督され、最終的なビデオスコアを後退させます。
論文 参考訳(メタデータ) (2020-08-13T15:51:42Z) - FineGym: A Hierarchical Video Dataset for Fine-grained Action
Understanding [118.32912239230272]
FineGymは体操ビデオの上に構築された新しいアクション認識データセットだ。
アクションレベルとサブアクションレベルの両方で3レベルのセマンティック階層を持つテンポラリアノテーションを提供する。
この新たな粒度レベルは、行動認識に重大な課題をもたらす。
論文 参考訳(メタデータ) (2020-04-14T17:55:21Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。