論文の概要: A Badminton Recognition and Tracking System Based on Context Multi-feature Fusion

• arxiv url: http://arxiv.org/abs/2306.14492v1
• Date: Mon, 26 Jun 2023 08:07:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-27 14:36:31.440054
• Title: A Badminton Recognition and Tracking System Based on Context Multi-feature Fusion
• Title（参考訳）: コンテキスト多機能融合に基づくバドミントン認識・追跡システム
• Authors: Xinyu Wang and Jianwei Li
• Abstract要約: 2つのトラジェクトリクリップトラッカーは、ボールの正しいトラジェクトリをキャプチャするための異なるルールに基づいて設計されている。 粗粒から細粒への2ラウンドの検出は、バドミントン検出で直面する課題を解決するために用いられる。
• 参考スコア（独自算出の注目度）: 6.068573093901329
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ball recognition and tracking have traditionally been the main focus of computer vision researchers as a crucial component of sports video analysis. The difficulties, such as the small ball size, blurry appearance, quick movements, and so on, prevent many classic methods from performing well on ball detection and tracking. In this paper, we present a method for detecting and tracking badminton balls. According to the characteristics of different ball speeds, two trajectory clip trackers are designed based on different rules to capture the correct trajectory of the ball. Meanwhile, combining contextual information, two rounds of detection from coarse-grained to fine-grained are used to solve the challenges encountered in badminton detection. The experimental results show that the precision, recall, and F1-measure of our method, reach 100%, 72.6% and 84.1% with the data without occlusion, respectively.
• Abstract（参考訳）: ボールの認識と追跡は、伝統的にコンピュータビジョン研究者の主要な焦点であり、スポーツビデオ分析の重要な要素である。 小さいボールサイズ、ぼやけた外観、速い動きなどの困難は、ボールの検出やトラッキングにおいて多くの古典的な方法がうまく機能することを妨げている。 本稿では,バドミントン球の検出と追跡を行う手法を提案する。 異なるボール速度の特性により、2つのトラッククリップトラッカーが異なるルールに基づいて設計され、ボールの正しい軌道を捉える。 一方,文脈情報を組み合わせることで,バドミントン検出における課題を解決するために,粗粒度から細粒度までの2ラウンドの検出が用いられる。 その結果, 咬合のないデータでは100%, 72.6%, 84.1%の精度, 再現率, およびf1測定値が得られた。

関連論文リスト

• Temporal Correlation Meets Embedding: Towards a 2nd Generation of JDE-based Real-Time Multi-Object Tracking [52.04679257903805]
  共同検出・埋め込み(JDE)トラッカーは多目的追跡(MOT)タスクにおいて優れた性能を示した。 TCBTrackという名前のトラッカーは、複数の公開ベンチマークで最先端のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2024-07-19T07:48:45Z)
• An All Deep System for Badminton Game Analysis [0.0874967598360817]
  CoachAI Badminton 2023 Track1イニシアチブは、バドミントンマッチビデオ内のイベントを自動的に検出する。 ノイズ検出データから発生する問題に対処するために,様々なディープラーニング手法を実装した。 私たちのシステムは1.0点中0.78点を獲得しました。
  論文  参考訳（メタデータ） (2023-08-24T08:41:40Z)
• Automated Hit-frame Detection for Badminton Match Analysis [1.3300217947936062]
  本研究では,最新の深層学習技術を用いて,マッチビデオからヒットフレームを自動的に検出し,バドミントンにおけるスポーツ分析の進歩を目指す。 ヒットフレームに含まれるデータは、その後プレイヤーのストロークやコート上での動きを合成したり、トレーニングタスクの分析や競争戦略などの下流のアプリケーションに利用することができる。 本研究では,映像トリミングにおけるショットアングル認識の精度99%,シャトルコック飛行方向予測におけるキーポイントシーケンスの適用精度92%以上を達成し,ラリーワイドビデオトリミングとヒットフレーム検出の評価結果を報告した。
  論文  参考訳（メタデータ） (2023-07-29T15:01:27Z)
• Table Tennis Stroke Detection and Recognition Using Ball Trajectory Data [5.735035463793008]
  4人のプロの卓球選手が実行した6つのストローククラスからなるデータセットを取得するために、審判の視点に配置された1台のカメラが使用されている。 従来のオブジェクト検出モデルであるYOLOv4と、時間熱マップベースのモデルであるTrackNetv2を用いたボール追跡がデータセット上に実装されている。 球軌道データを用いてストロークの時間的境界を抽出する数学的アプローチにより,2023個の有効なストロークが得られた。 時間畳み込みネットワークは87.155%の精度で全く見えないデータでストローク認識を実行した。
  論文  参考訳（メタデータ） (2023-02-19T19:13:24Z)
• 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)
• P2ANet: A Dataset and Benchmark for Dense Action Detection from Table Tennis Match Broadcasting Videos [64.57435509822416]
  この作品は、ワールド・テーブルテニス選手権とオリンピアードのプロの卓球試合の放送ビデオから収集された2,721本のビデオクリップで構成されている。 強調局所化と強調認識という2つのアクション検出問題を定式化する。 その結果、TheNameは依然として困難なタスクであり、ビデオからの高密度なアクション検出のための特別なベンチマークとして使用できることを確認した。
  論文  参考訳（メタデータ） (2022-07-26T08:34:17Z)
• 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)
• MonoTrack: Shuttle trajectory reconstruction from monocular badminton video [6.218613353519723]
  モノクロバドミントンビデオから3次元シャトル軌道の抽出と分割を行うための,最初のエンドツーエンドシステムを提案する。 本システムは, コート次元, ショット配置, 動きの物理法則などのバドミントン領域の知識と, プレイヤーのポーズやシャトル追跡などの視覚的特徴を統合する。
  論文  参考訳（メタデータ） (2022-04-04T23:57:57Z)
• Monocular Visual Analysis for Electronic Line Calling of Tennis Games [57.14812636359967]
  エレクトロニックラインコール(Electronic Line Calling)は、双眼ビジョン技術に基づくテニスの試合に使用される補助審判システムである。 本稿では,モノクルビジョン技術を用いたLCC法を提案する。 球のバウンス点が2次元画像におけるバウンス点とコート側線との相対的な位置に応じて境界外であるか否かを調べる。
  論文  参考訳（メタデータ） (2021-07-20T04:23:11Z)
• Tracklets Predicting Based Adaptive Graph Tracking [51.352829280902114]
  マルチオブジェクト追跡,すなわち textbfTPAGT のための,正確かつエンドツーエンドの学習フレームワークを提案する。 動作予測に基づいて、現在のフレーム内のトラックレットの特徴を再抽出する。
  論文  参考訳（メタデータ） (2020-10-18T16:16:49Z)

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。