論文の概要: Detecting and Matching Related Objects with One Proposal Multiple Predictions

• arxiv url: http://arxiv.org/abs/2104.12574v1
• Date: Fri, 23 Apr 2021 14:37:10 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-27 14:33:20.146432
• Title: Detecting and Matching Related Objects with One Proposal Multiple Predictions
• Title（参考訳）: 関連するオブジェクトの検出とマッチングと1つの提案
• Authors: Yang Liu, Luiz G. Hafemann, Michael Jamieson, Mehrsan Javan
• Abstract要約: コストをかけずに、プレイヤーや関連オブジェクトを一度に検出・マッチングできるシンプルかつ効率的な方法を提案します。 本手法は,アイスホッケー映像の放送データと,coco +torsoと呼ばれる新しい公開データセットを用いて評価する。
• 参考スコア（独自算出の注目度）: 15.869997502372051
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tracking players in sports videos is commonly done in a tracking-by-detection framework, first detecting players in each frame, and then performing association over time. While for some sports tracking players is sufficient for game analysis, sports like hockey, tennis and polo may require additional detections, that include the object the player is holding (e.g. racket, stick). The baseline solution for this problem involves detecting these objects as separate classes, and matching them to player detections based on the intersection over union (IoU). This approach, however, leads to poor matching performance in crowded situations, as it does not model the relationship between players and objects. In this paper, we propose a simple yet efficient way to detect and match players and related objects at once without extra cost, by considering an implicit association for prediction of multiple objects through the same proposal box. We evaluate the method on a dataset of broadcast ice hockey videos, and also a new public dataset we introduce called COCO +Torso. On the ice hockey dataset, the proposed method boosts matching performance from 57.1% to 81.4%, while also improving the meanAP of player+stick detections from 68.4% to 88.3%. On the COCO +Torso dataset, we see matching improving from 47.9% to 65.2%. The COCO +Torso dataset, code and pre-trained models will be released at https://github.com/foreverYoungGitHub/detect-and-match-related-objects.
• Abstract（参考訳）: スポーツビデオのプレイヤー追跡は通常、トラッキング・バイ・ディテクト・フレームワークで行われ、まず各フレーム内のプレイヤーを検出し、その後、時間とともに関連付けを行う。 一部のスポーツ追跡プレイヤーはゲーム分析に十分であるが、ホッケー、テニス、ポロといったスポーツには、選手が保持している物体を含む追加の検知が必要である。 ラケット、スティック)。 この問題のベースラインソリューションは、これらのオブジェクトを別々のクラスとして検出し、それらをIoU(英語版)との交叉に基づくプレイヤー検出とマッチングすることである。 しかし、このアプローチはプレイヤーとオブジェクトの関係をモデル化しないため、混雑した状況下でのマッチング性能が低下する。 本稿では,同一提案ボックスを通じて複数のオブジェクトを予測するための暗黙の関連を考慮し,プレイヤーと関連オブジェクトを同時かつ追加コストで検出・マッチングする簡易かつ効率的な手法を提案する。 本手法は,放送されたアイスホッケービデオのデータセットと,COCO+Torsoと呼ばれる新しい公開データセットを用いて評価する。 アイスホッケーデータセットでは, マッチング性能を57.1%から81.4%に向上し, プレイヤースティック検出の平均APを68.4%から88.3%に改善した。 COCO+Torsoデータセットでは、マッチングの改善が47.9%から65.2%に向上している。 COCO +Torsoデータセット、コードおよび事前トレーニングされたモデルはhttps://github.com/foreverYoungGitHub/detect-and-match-related-jectsでリリースされる。

関連論文リスト

• GTA: Global Tracklet Association for Multi-Object Tracking in Sports [28.771579713224085]
  スポーツシナリオにおける多目的追跡は、コンピュータビジョンにおける焦点の1つとなっている。 トラッキング性能を向上させるために,外見に基づくグローバルトラックレットアソシエーションアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-11-12T22:16:50Z)
• Estimation of control area in badminton doubles with pose information from top and back view drone videos [11.679451300997016]
  我々はバドミントンダブルスでトップとバックビューから最初の注釈付きドローンデータセットを提示する。 チームワークのパフォーマンスを評価するために,制御領域の確率マップを推定するフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-07T11:18:39Z)
• A Graph-Based Method for Soccer Action Spotting Using Unsupervised Player Classification [75.93186954061943]
  アクションスポッティングには、ゲームのダイナミクス、イベントの複雑さ、ビデオシーケンスのバリエーションを理解することが含まれる。 本研究では, (a) 選手, 審判, ゴールキーパーをグラフのノードとして識別し, および (b) 時間的相互作用をグラフのシーケンスとしてモデル化することによって, 前者に焦点を当てる。 プレーヤ識別タスクでは,他のモダリティと組み合わせることで,平均mAPの57.83%の総合的な性能が得られる。
  論文  参考訳（メタデータ） (2022-11-22T15:23:53Z)
• Graph Neural Networks to Predict Sports Outcomes [0.0]
  スポーツに依存しないグラフによるゲーム状態の表現を導入する。 次に、提案したグラフ表現をグラフニューラルネットワークの入力として使用し、スポーツ結果を予測する。
  論文  参考訳（メタデータ） (2022-07-28T14:45:02Z)
• SoccerNet-Tracking: Multiple Object Tracking Dataset and Benchmark in Soccer Videos [62.686484228479095]
  本稿では,各30の200列からなる複数物体追跡のための新しいデータセットを提案する。 データセットは、バウンディングボックスとトラックレットIDで完全に注釈付けされている。 分析の結果,サッカービデオにおける複数の選手,審判,ボール追跡が解決されるには程遠いことがわかった。
  論文  参考訳（メタデータ） (2022-04-14T12:22:12Z)
• Efficient tracking of team sport players with few game-specific annotations [1.052782170493037]
  そこで本研究では,セミ・インタラクティブ・システムを通じて収集された人間のアノテーションがほとんどないため,チームスポーツ選手をフルゲーム中に追跡する新たな汎用手法を提案する。 非曖昧なトラックレットとその外観特徴は、両方の公開データセットで事前訓練された検出と再識別ネットワークによって自動的に生成される。 ラグビーのセブンスデータセットにアプローチの効率性を示す。
  論文  参考訳（メタデータ） (2022-04-08T13:11:30Z)
• Collusion Detection in Team-Based Multiplayer Games [57.153233321515984]
  チームベースのマルチプレイヤーゲームにおいて,協調動作を検出するシステムを提案する。 提案手法は,ゲーム内行動パターンと組み合わせたプレイヤーの社会的関係を解析する。 次に,非教師なし学習手法であるアイソレーションフォレストによる検出を自動化する。
  論文  参考訳（メタデータ） (2022-03-10T02:37:39Z)
• DecAug: Augmenting HOI Detection via Decomposition [54.65572599920679]
  現在のアルゴリズムでは、データセット内のトレーニングサンプルやカテゴリの不均衡が不足している。 本稿では,HOI検出のためのDECAugと呼ばれる効率的かつ効率的なデータ拡張手法を提案する。 実験の結果,V-COCOおよびHICODETデータセットの3.3mAPと1.6mAPの改善が得られた。
  論文  参考訳（メタデータ） (2020-10-02T13:59:05Z)
• Corner Proposal Network for Anchor-free, Two-stage Object Detection [174.59360147041673]
  オブジェクト検出の目標は、画像内のオブジェクトのクラスと位置を決定することである。 本稿では,多数のオブジェクト提案を抽出する新しいアンカーフリー2段階フレームワークを提案する。 この2つの段階が,リコールと精度の向上に有効な解であることを示す。
  論文  参考訳（メタデータ） (2020-07-27T19:04:57Z)
• Event detection in coarsely annotated sports videos via parallel multi receptive field 1D convolutions [14.30009544149561]
  スポーツビデオ分析のような問題では、正確なフレームレベルのアノテーションと正確なイベント時間を得るのは難しい。 粗い注釈付きビデオにおけるイベント検出の課題を提案する。 本稿では,提案課題に対する多層時間畳み込みネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-04-13T19:51:25Z)
• Detection in Crowded Scenes: One Proposal, Multiple Predictions [79.28850977968833]
  混み合ったシーンにおける高過度なインスタンスを検出することを目的とした,提案手法によるオブジェクト検出手法を提案する。 このアプローチの鍵は、各提案が以前の提案ベースのフレームワークの1つではなく、関連したインスタンスのセットを予測できるようにすることです。 我々の検出器は、CrowdHumanデータセットの挑戦に対して4.9%のAPゲインを得ることができ、CityPersonsデータセットでは1.0%$textMR-2$の改善がある。
  論文  参考訳（メタデータ） (2020-03-20T09:48:53Z)

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。