Fugu-MT 論文翻訳(概要): Classification of Tennis Actions Using Deep Learning

論文の概要: Classification of Tennis Actions Using Deep Learning

arxiv url: http://arxiv.org/abs/2402.02545v1
Date: Sun, 4 Feb 2024 15:48:20 GMT
ステータス: 処理完了
システム内更新日: 2024-02-06 18:59:07.090289
Title: Classification of Tennis Actions Using Deep Learning
Title（参考訳）: 深層学習を用いたテニス行動の分類
Authors: Emil Hovad (1 and 2), Therese Hougaard-Jensen (2), Line Katrine Harder Clemmensen (2) ((1) Alexandra Instituttet A/S, Rued Langgaards Vej 7, 2300 K{\o}benhavn S, Denmark, (2) Department of Mathematics and Computer Science, Technical University of Denmark, Richard Petersens Plads, Building 324, 2800 Kgs. Lyngby, Denmark)
Abstract要約: 本研究では,深層学習によるテニス行動の分類の可能性と課題について検討する。テニスデータセットTheTISを用いて,異なる大きさの3つのモデルを訓練し,評価した。最高のモデルは74 %の一般化精度を達成し、テニスアクション分類に優れた性能を示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: Recent advances of deep learning makes it possible to identify specific events in videos with greater precision. This has great relevance in sports like tennis in order to e.g., automatically collect game statistics, or replay actions of specific interest for game strategy or player improvements. In this paper, we investigate the potential and the challenges of using deep learning to classify tennis actions. Three models of different size, all based on the deep learning architecture SlowFast were trained and evaluated on the academic tennis dataset THETIS. The best models achieve a generalization accuracy of 74 %, demonstrating a good performance for tennis action classification. We provide an error analysis for the best model and pinpoint directions for improvement of tennis datasets in general. We discuss the limitations of the data set, general limitations of current publicly available tennis data-sets, and future steps needed to make progress.
Abstract（参考訳）: ディープラーニングの最近の進歩により、ビデオ内の特定のイベントをより正確に識別できるようになる。これはテニスのようなスポーツにおいて、例えば、ゲーム統計を自動的に収集したり、ゲーム戦略や選手の改善のために特定の関心のあるアクションを再生するために大きな意味を持つ。本稿では,深層学習によるテニス行動の分類の可能性と課題について考察する。深層学習アーキテクチャに基づく3つの異なるサイズモデルSlowFastを学習し,学術テニスデータセットTheTISを用いて評価した。最高のモデルは74 %の一般化精度を達成し、テニスアクション分類に優れた性能を示す。テニスデータセット全般を改善するための最善のモデルとピンポイント方向の誤り解析を提供する。本稿では,データセットの限界,現在公開されているテニスデータセットの一般的な制限,進行に必要な今後のステップについて論じる。

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)
Match Point AI: A Novel AI Framework for Evaluating Data-Driven Tennis Strategies [46.1232919707345]
テニスマッチシミュレーション環境のtextitMatch Point AI について述べる。最初の実験では、シミュレートされたテニスの試合で生成されたショット・バイ・ショットのデータは、実世界のデータと比較して現実的な特徴を示している。同時に、現実のテニスの試合で見られるものと類似した、合理的なショット配置戦略が出現する。
論文参考訳（メタデータ） (2024-08-12T07:22:46Z)
AI for Equitable Tennis Training: Leveraging AI for Equitable and Accurate Classification of Tennis Skill Levels and Training Phases [0.0]
本研究の目的は、テニス選手のスキルレベルを分類し、テニスストロークをモーション特性を特徴とするフェーズに分類することである。若手テニス選手が着用する慣性測定ユニット(IMU)からMotion Yaw, Roll, Pitchなどの動作データを収集した。 SVMモデルは、初心者または中間者としてプレイヤーを分類する際の全体的な精度が77%であった。
論文参考訳（メタデータ） (2024-06-24T03:40:41Z)
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)
Supervised Learning for Table Tennis Match Prediction [2.7835697868135902]
本稿では,テーブルテニスシングルマッチの結果を予測するために機械学習を用いることを提案する。我々は,プレイヤーとマッチング統計を特徴として用いて,その相対的重要性をアブレーション研究で評価する。結果は将来の卓球予測モデルのベースラインとして機能し、同様の球技の予測研究にフィードバックすることができる。
論文参考訳（メタデータ） (2023-03-28T17:42:13Z)
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)
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)
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)
Three-Stream 3D/1D CNN for Fine-Grained Action Classification and Segmentation in Table Tennis [0.0]
TT-21データセットに適用され、テーブルテニスゲームの未トリミングビデオで構成されている。目標は、より大きなスキームの最初のステップである、ビデオ中のテーブルテニスストロークを検出して分類することだ。また、選手により豊かなフィードバックを与えるために、ポーズも検討されている。
論文参考訳（メタデータ） (2021-09-29T09:43:21Z)
Table Tennis Stroke Recognition Using Two-Dimensional Human Pose Estimation [0.0]
本稿では,卓球映像データを集め,ストローク検出と分類を行う新しい手法を提案する。 14人のプロ卓球選手から得られた11の基本的なストロークのビデオデータを含む多様なデータセットが収集されている。 2次元ポーズ推定を用いて開発された時間畳み込みニューラルネットワークモデルは、これら11の卓球ストロークのマルチクラス分類を行う。
論文参考訳（メタデータ） (2021-04-20T11:32:43Z)
PointContrast: Unsupervised Pre-training for 3D Point Cloud Understanding [107.02479689909164]
本研究では,3次元表現学習の研究を支援することを目的とする。教師なし事前学習が3Dシーンの大規模なソースセットに与える影響を計測する。
論文参考訳（メタデータ） (2020-07-21T17:59:22Z)

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。