論文の概要: Foul prediction with estimated poses from soccer broadcast video
- arxiv url: http://arxiv.org/abs/2402.09650v1
- Date: Thu, 15 Feb 2024 01:25:19 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-16 17:30:16.680814
- Title: Foul prediction with estimated poses from soccer broadcast video
- Title(参考訳): サッカー中継映像からのポーズ推定によるファウル予測
- Authors: Jiale Fang, Calvin Yeung, Keisuke Fujii
- Abstract要約: サッカーのファウルを予想する革新的な深層学習手法を導入する。
本手法は,新しいサッカーファールデータセットをキュレートすることで,映像データ,ボックス位置のバウンディング,画像詳細,ポーズ情報を統合する。
この結果はサッカーにおけるファールプレイの深い理解に重要な意味を持つ。
- 参考スコア(独自算出の注目度): 0.9002260638342727
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Recent advances in computer vision have made significant progress in tracking
and pose estimation of sports players. However, there have been fewer studies
on behavior prediction with pose estimation in sports, in particular, the
prediction of soccer fouls is challenging because of the smaller image size of
each player and of difficulty in the usage of e.g., the ball and pose
information. In our research, we introduce an innovative deep learning approach
for anticipating soccer fouls. This method integrates video data, bounding box
positions, image details, and pose information by curating a novel soccer foul
dataset. Our model utilizes a combination of convolutional and recurrent neural
networks (CNNs and RNNs) to effectively merge information from these four
modalities. The experimental results show that our full model outperformed the
ablated models, and all of the RNN modules, bounding box position and image,
and estimated pose were useful for the foul prediction. Our findings have
important implications for a deeper understanding of foul play in soccer and
provide a valuable reference for future research and practice in this area.
- Abstract(参考訳): 近年のコンピュータビジョンの進歩は、スポーツ選手の追跡とポーズ推定に大きな進歩をもたらした。
しかし、スポーツにおけるポーズ推定による行動予測に関する研究は少なく、特に、各選手の画像サイズが小さく、例えばボールやポーズ情報の使用が困難であるため、サッカーファウルの予測は困難である。
本研究では,サッカーのファウルを予想する革新的な深層学習手法を提案する。
本手法は,新しいサッカーファールデータセットをキュレートすることで,映像データ,ボックス位置のバウンディング,画像詳細,ポーズ情報を統合する。
我々のモデルは、畳み込みニューラルネットワークと繰り返しニューラルネットワーク(CNNとRNN)を組み合わせて、これらの4つのモードからの情報を効果的にマージする。
実験の結果,全モデルがアブレーションモデルよりも優れており,全てのrnnモジュール,バウンディングボックス位置と画像,推定ポーズがファウル予測に有用であった。
本研究は,サッカーにおけるファールプレイの理解を深める上で重要な意味を持ち,今後の研究や実践の参考となる。
関連論文リスト
- Towards Universal Soccer Video Understanding [58.889409980618396]
本稿では,サッカー理解のための包括的枠組みを開発することを目的とする。
これまでで最大のマルチモーダルサッカーデータセットである SoccerReplay-1988 を紹介する。
サッカー分野における最初の視覚言語基礎モデルであるMatchVisionについて述べる。
論文 参考訳(メタデータ) (2024-12-02T18:58:04Z) - 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) - Event Detection in Football using Graph Convolutional Networks [0.0]
ビデオシーケンスの各フレームにおけるプレーヤとボールをグラフとしてモデル化する方法を示す。
本稿では,各アクションの周囲に存在する時間的コンテキストをモデル化するためのグラフ畳み込み層とプール法について述べる。
論文 参考訳(メタデータ) (2023-01-24T14:52:54Z) - 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) - Learning Dynamics via Graph Neural Networks for Human Pose Estimation
and Tracking [98.91894395941766]
ポーズ検出とは無関係なポーズダイナミクスを学習する新しいオンライン手法を提案する。
具体的には、空間的・時間的情報と視覚的情報の両方を明示的に考慮したグラフニューラルネットワーク(GNN)を通して、このダイナミクスの予測を導出する。
PoseTrack 2017とPoseTrack 2018データセットの実験では、提案手法が人間のポーズ推定とトラッキングタスクの両方において、技術の現状よりも優れた結果が得られることを示した。
論文 参考訳(メタデータ) (2021-06-07T16:36:50Z) - "Why Would I Trust Your Numbers?" On the Explainability of Expected
Values in Soccer [5.825190876052149]
本稿では,ショットの期待値を推定する,説明可能な一般化付加モデルを提案する。
我々は、練習者が慣れ親しんだピッチ上の指定されたゾーンにショットをファジィに割り当てることで、ショットの位置を表現している。
実験により,我々のモデルは既存のモデルと同じくらい正確であり,サッカー実践者には説明し易いことがわかった。
論文 参考訳(メタデータ) (2021-05-27T10:05:00Z) - Camera Calibration and Player Localization in SoccerNet-v2 and
Investigation of their Representations for Action Spotting [61.92132798351982]
大規模サッカーネットデータセット上で,最近のニューラルネットワークアーキテクチャにおいて,強力な商用キャリブレーションツールを蒸留する。
そこで我々は,キャリブレーション結果とプレイヤーのローカライゼーションの3つの方法を提案する。
soccernet-v2のアクションスポッティングタスクに、現在のベストアーキテクチャ内でこれらの表現を利用する。
論文 参考訳(メタデータ) (2021-04-19T14:21:05Z) - Evaluating Soccer Player: from Live Camera to Deep Reinforcement
Learning [0.0]
オープンソースのプレイヤー追跡モデルと、Deep Reinforcement Learningのみに基づいてこれらのプレイヤーを評価する新しいアプローチの2つの部分のソリューションを紹介します。
私達の追跡モデルは私達がまた解放するデータセットの監視された方法で訓練され、私達の評価モデルは仮想サッカーゲームのシミュレーションだけに頼ります。
新たなアプローチであるExpected Discounted Goal(EDG)は、チームが特定の状態から獲得または達成できる目標の数を表します。
論文 参考訳(メタデータ) (2021-01-13T23:26:17Z) - Self-Supervised Small Soccer Player Detection and Tracking [8.851964372308801]
最先端のトラッキングアルゴリズムは、トレーニングされたシナリオで印象的な結果を得るが、サッカーの試合のような挑戦的なシナリオでは失敗する。
これは、しばしばプレイヤーの相対的なサイズが小さく、同じチームのプレイヤーに類似しているためである。
そこで本研究では,低解像度のサッカー選手を異なる記録条件下で検出・追跡できる自己教師型パイプラインを提案する。
論文 参考訳(メタデータ) (2020-11-20T10:57:18Z) - Adversarially-Trained Deep Nets Transfer Better: Illustration on Image
Classification [53.735029033681435]
トランスファーラーニングは、訓練済みのディープニューラルネットワークを画像認識タスクに新しいドメインに適用するための強力な方法論である。
本研究では,非逆学習モデルよりも逆学習モデルの方が優れていることを示す。
論文 参考訳(メタデータ) (2020-07-11T22:48:42Z)
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。