論文の概要: Evaluating deep tracking models for player tracking in broadcast ice
hockey video
- arxiv url: http://arxiv.org/abs/2205.10949v1
- Date: Sun, 22 May 2022 22:56:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-29 15:19:35.730100
- Title: Evaluating deep tracking models for player tracking in broadcast ice
hockey video
- Title(参考訳): アイスホッケー映像におけるプレイヤー追跡のためのディープトラッキングモデルの評価
- Authors: Kanav Vats, Mehrnaz Fani, David A. Clausi, John S. Zelek
- Abstract要約: 選手追跡は、ホッケー選手の動きが高速で非線形であるため、難しい問題である。
我々は、いくつかの最先端追跡アルゴリズムを比較し、アイスホッケーのパフォーマンスと失敗モードを分析した。
- 参考スコア(独自算出の注目度): 20.850267622473176
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Tracking and identifying players is an important problem in computer vision
based ice hockey analytics. Player tracking is a challenging problem since the
motion of players in hockey is fast-paced and non-linear. There is also
significant player-player and player-board occlusion, camera panning and
zooming in hockey broadcast video. Prior published research perform player
tracking with the help of handcrafted features for player detection and
re-identification. Although commercial solutions for hockey player tracking
exist, to the best of our knowledge, no network architectures used, training
data or performance metrics are publicly reported. There is currently no
published work for hockey player tracking making use of the recent advancements
in deep learning while also reporting the current accuracy metrics used in
literature. Therefore, in this paper, we compare and contrast several
state-of-the-art tracking algorithms and analyze their performance and failure
modes in ice hockey.
- Abstract(参考訳): プレイヤーの追跡と識別は、コンピュータビジョンに基づくアイスホッケー分析において重要な問題である。
ホッケーの選手の動きは速いペースで非線形であるため、選手追跡は難しい問題である。
また、ホッケーの放送ビデオでは、プレイヤープレイヤーとプレイヤーボードのオクルージョン、カメラのパンニング、ズームも顕著である。
以前に公開された研究は、プレイヤーの検出と再識別のための手作り機能を使ってプレイヤー追跡を行う。
ホッケー選手追跡のための商用ソリューションは存在するが、私たちの知る限り、使用しているネットワークアーキテクチャやトレーニングデータ、パフォーマンスメトリクスは公開されていない。
現在、ディープラーニングの最近の進歩を活かしたホッケー選手追跡の成果は発表されていないが、文献で使われている現在の精度指標も報告している。
そこで本稿では,いくつかの最先端追跡アルゴリズムを比較して比較し,アイスホッケーにおけるその性能および故障モードを解析する。
関連論文リスト
- Understanding why shooters shoot -- An AI-powered engine for basketball
performance profiling [70.54015529131325]
バスケットボールは、プレイスタイルやゲームダイナミクスなど、多くの変数によって規定されている。
パフォーマンスプロファイルが様々なプレイスタイルを反映できることは重要です。
プレイヤのパフォーマンスプロファイルをタイムリーに可視化するツールを提案する。
論文 参考訳(メタデータ) (2023-03-17T01:13:18Z) - 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-Based Multi-Camera Soccer Player Tracker [1.6244541005112743]
本稿では,サッカー場周辺に設置した複数のキャリブレーションカメラから,長撮影映像記録におけるサッカー選手の追跡を目的としたマルチカメラ追跡手法を提案する。
カメラとの距離が大きいため、個々のプレイヤーを視覚的に区別することは困難であり、従来のソリューションの性能に悪影響を及ぼす。
本手法は,各プレイヤーのダイナミクスと周辺プレイヤー間の相互作用に着目し,トラッキング性能の向上を図る。
論文 参考訳(メタデータ) (2022-11-03T20:01:48Z) - SoccerNet 2022 Challenges Results [167.6158475931228]
SoccerNet 2022 チャレンジ(英語: SoccerNet 2022 Challenge)は、サッカーネットチームが主催する2回目のビデオ理解チャレンジである。
2022年、課題は6つの視覚ベースのタスクで構成された。
昨年の課題と比較すると、タスク(1-2)は、より厳密な時間的アキュラシーを検討するために評価基準を再定義し、基礎となるデータやアノテーションを含むタスク(3-6)は新しくなった。
論文 参考訳(メタデータ) (2022-10-05T16:12:50Z) - Observation Centric and Central Distance Recovery on Sports Player
Tracking [24.396926939889532]
本稿では,バスケットボール,サッカー,バレーボールを含む3つのスポーツを対象とした,モーションベースのトラッキングアルゴリズムと3つのポストプロセッシングパイプラインを提案する。
本手法は,2022年のSportsmotワークショップ最終リーダーボードで3位にランクインした73.968のHOTAを達成した。
論文 参考訳(メタデータ) (2022-09-27T04:48:11Z) - 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) - 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) - Player Tracking and Identification in Ice Hockey [9.577770317771087]
本稿では,NHLホッケー映像の選手の追跡と識別を行う自動システムを提案する。
本システムは,(1)選手追跡,(2)チーム識別,(3)プレイヤー識別の3つのコンポーネントから構成される。
チーム識別では、アウトチームジャージは単一のクラスにグループ化され、ホームチームジャージはそのジャージの色に応じてクラスにグループ化される。
時間的一次元畳み込みネットワークを利用してプレイヤー境界ボックス列からプレイヤーを識別する新しいプレイヤー識別モデルを提案する。
論文 参考訳(メタデータ) (2021-10-06T22:37:08Z) - AI-enabled Prediction of eSports Player Performance Using the Data from
Heterogeneous Sensors [12.071865017583502]
我々は,センサのデータのみを用いて,eSportsプレーヤーのゲーム内パフォーマンスを予測する人工知能(AI)対応ソリューションについて報告する。
リカレントニューラルネットワークを用いて、マルチプレイヤーゲームにおけるゲームログから、各モーメント毎のプレイヤー性能を評価する。
提案するソリューションはプロのeスポーツチームやアマチュア選手のための学習ツールに多くの有望な応用がある。
論文 参考訳(メタデータ) (2020-12-07T07:31:53Z)
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。