論文の概要: DeepSportradar-v1: Computer Vision Dataset for Sports Understanding with
High Quality Annotations
- arxiv url: http://arxiv.org/abs/2208.08190v1
- Date: Wed, 17 Aug 2022 09:55:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-18 12:33:06.149645
- Title: DeepSportradar-v1: Computer Vision Dataset for Sports Understanding with
High Quality Annotations
- Title（参考訳）: DeepSportradar-v1: 高品質アノテーションによるスポーツ理解のためのコンピュータビジョンデータセット
- Authors: Gabriel Van Zandycke and Vladimir Somers and Maxime Istasse and Carlo
Del Don and Davide Zambrano
- Abstract要約: 本稿では,自動スポーツ理解のためのコンピュータビジョンタスク,データセット,ベンチマークスイートであるDeepSportradar-v1を紹介する。
このフレームワークの主な目的は、学術研究と現実世界の設定のギャップを埋めることである。
- 参考スコア（独自算出の注目度）: 3.000319651350124
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: With the recent development of Deep Learning applied to Computer Vision,
sport video understanding has gained a lot of attention, providing much richer
information for both sport consumers and leagues. This paper introduces
DeepSportradar-v1, a suite of computer vision tasks, datasets and benchmarks
for automated sport understanding. The main purpose of this framework is to
close the gap between academic research and real world settings. To this end,
the datasets provide high-resolution raw images, camera parameters and high
quality annotations. DeepSportradar currently supports four challenging tasks
related to basketball: ball 3D localization, camera calibration, player
instance segmentation and player re-identification. For each of the four tasks,
a detailed description of the dataset, objective, performance metrics, and the
proposed baseline method are provided. To encourage further research on
advanced methods for sport understanding, a competition is organized as part of
the MMSports workshop from the ACM Multimedia 2022 conference, where
participants have to develop state-of-the-art methods to solve the above tasks.
The four datasets, development kits and baselines are publicly available.
- Abstract（参考訳）: 近年の深層学習がコンピュータビジョンに応用され、スポーツビデオ理解が注目され、スポーツ消費者とリーグの両方によりリッチな情報を提供している。
本稿では,自動スポーツ理解のためのコンピュータビジョンタスク,データセット,ベンチマークスイートであるDeepSportradar-v1を紹介する。
このフレームワークの主な目的は、学術研究と現実世界の設定のギャップを埋めることである。
この目的のために、データセットは高解像度の生画像、カメラパラメータ、高品質のアノテーションを提供する。
DeepSportradarは現在、ボール3Dローカライゼーション、カメラキャリブレーション、プレイヤーインスタンスのセグメンテーション、プレイヤーの再識別の4つの課題をサポートしている。
これら4つのタスクごとに、データセット、目的、パフォーマンスメトリクス、提案したベースラインメソッドの詳細な説明が提供される。
スポーツ理解のための高度な手法のさらなる研究を促進するため、ACM Multimedia 2022カンファレンスのMMSportsワークショップの一環としてコンペティションが開催され、参加者は上記の課題を解決するための最先端の手法を開発する必要がある。
4つのデータセット、開発キット、ベースラインが公開されている。
関連論文リスト
- Deep learning for action spotting in association football videos [64.10841325879996]
SoccerNetイニシアチブは毎年の課題を組織し、世界中の参加者が最先端のパフォーマンスを達成するために競う。
本稿では,スポーツにおけるアクションスポッティングの歴史を,2018年の課題の創出から,現在の研究・スポーツ産業における役割まで遡る。
論文 参考訳（メタデータ） (2024-10-02T07:56:15Z) - Sports-QA: A Large-Scale Video Question Answering Benchmark for Complex
and Professional Sports [90.79212954022218]
スポーツビデオQAタスク用に特別に設計された最初のデータセットであるSports-QAを紹介する。
Sports-QAデータセットには、説明、時系列、因果関係、反事実条件など、さまざまな種類の質問が含まれている。
質問応答のための時間的情報の特定の尺度に自動的にフォーカスできる新しいオートフォーカス変換器(AFT)を提案する。
論文 参考訳（メタデータ） (2024-01-03T02:22:34Z) - SoccerNet 2023 Challenges Results [165.5977813812761]
SoccerNet 2023 チャレンジ(英語: SoccerNet 2023 Challenge)は、サッカーネットチームが主催する3回目のビデオ理解チャレンジである。
この第3版では、課題は7つの視覚に基づくタスクから成っており、3つのテーマに分けられた。
論文 参考訳（メタデータ） (2023-09-12T07:03:30Z) - A Survey of Deep Learning in Sports Applications: Perception,
Comprehension, and Decision [41.427845300209945]
ディープラーニングはスポーツのパフォーマンスに革命をもたらす可能性がある。
本稿では,アルゴリズム,データセット,仮想環境,課題の3つの側面に焦点を当てる。
論文 参考訳（メタデータ） (2023-07-07T02:22:17Z) - Sports Video Analysis on Large-Scale Data [10.24207108909385]
本稿では,スポーツビデオにおける自動機械記述のモデル化について検討する。
スポーツビデオ分析のためのNBAデータセット(NSVA)を提案する。
論文 参考訳（メタデータ） (2022-08-09T16:59:24Z) - 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) - A Comprehensive Review of Computer Vision in Sports: Open Issues, Future
Trends and Research Directions [3.138976077182707]
本稿では,スポーツ映像解析の高レベル分析への応用について概説する。
選手の検出と分類、スポーツにおける選手またはボールの追跡、選手またはボールの軌跡の予測、チームの戦略の認識、スポーツにおける様々なイベントの分類が含まれる。
論文 参考訳（メタデータ） (2022-03-03T07:49:21Z) - Distantly Supervised Semantic Text Detection and Recognition for
Broadcast Sports Videos Understanding [0.0]
スポーツクロックにおける極めて正確な意味テキストの検出と認識について検討する。
本稿では,スポーツクロックのデータセットを自動構築する遠隔監視手法を提案する。
私たちは、このシステムを産業環境でスケールするために、計算アーキテクチャパイプラインを共有します。
論文 参考訳（メタデータ） (2021-10-31T23:59:29Z) - MultiSports: A Multi-Person Video Dataset of Spatio-Temporally Localized
Sports Actions [39.27858380391081]
本論文では、マルチスポーツとして作成された原子時間行動の新しいマルチパーソンデータセットを提示する。
4つのスポーツクラスを選択し、約3200のビデオクリップを収集し、37790のアクションインスタンスに907kバウンディングボックスをアノテートすることで、MultiSports v1.0のデータセットを構築します。
論文 参考訳（メタデータ） (2021-05-16T10:40:30Z) - SoccerNet-v2: A Dataset and Benchmarks for Holistic Understanding of
Broadcast Soccer Videos [71.72665910128975]
SoccerNet-v2 は SoccerNet ビデオデータセット用の手動アノテーションの大規模なコーパスである。
SoccerNetの500の未トリミングサッカービデオの中で、約300万のアノテーションをリリースしています。
サッカーの領域における現在のタスクを拡張し、アクションスポッティング、カメラショットセグメンテーション、境界検出を含む。
論文 参考訳（メタデータ） (2020-11-26T16:10:16Z)
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。