論文の概要: PitcherNet: Powering the Moneyball Evolution in Baseball Video Analytics
- arxiv url: http://arxiv.org/abs/2405.07407v1
- Date: Mon, 13 May 2024 01:03:06 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-14 15:04:30.341588
- Title: PitcherNet: Powering the Moneyball Evolution in Baseball Video Analytics
- Title（参考訳）: PitcherNet: 野球のビデオ分析におけるマネーボールの進化
- Authors: Jerrin Bright, Bavesh Balaji, Yuhao Chen, David A Clausi, John S Zelek,
- Abstract要約: PitcherNetは、生放送ビデオから直接ピッチャーキネマティクスを分析するエンドツーエンドの自動化システムである。
ピッチャー・トラックレットの識別では96.82%の精度で頑健な解析結果が得られる。
PitcherNetは、投球戦略を最適化し、怪我を防ぎ、投手のメカニックの深い理解を解き放つことによって、野球分析の未来への道を開く。
- 参考スコア（独自算出の注目度）: 13.928557561312026
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the high-stakes world of baseball, every nuance of a pitcher's mechanics holds the key to maximizing performance and minimizing runs. Traditional analysis methods often rely on pre-recorded offline numerical data, hindering their application in the dynamic environment of live games. Broadcast video analysis, while seemingly ideal, faces significant challenges due to factors like motion blur and low resolution. To address these challenges, we introduce PitcherNet, an end-to-end automated system that analyzes pitcher kinematics directly from live broadcast video, thereby extracting valuable pitch statistics including velocity, release point, pitch position, and release extension. This system leverages three key components: (1) Player tracking and identification by decoupling actions from player kinematics; (2) Distribution and depth-aware 3D human modeling; and (3) Kinematic-driven pitch statistics. Experimental validation demonstrates that PitcherNet achieves robust analysis results with 96.82% accuracy in pitcher tracklet identification, reduced joint position error by 1.8mm and superior analytics compared to baseline methods. By enabling performance-critical kinematic analysis from broadcast video, PitcherNet paves the way for the future of baseball analytics by optimizing pitching strategies, preventing injuries, and unlocking a deeper understanding of pitcher mechanics, forever transforming the game.
- Abstract（参考訳）: 野球の世界では、ピッチャーのメカニックのすべてのニュアンスは、パフォーマンスの最大化とランの最小化の鍵を握る。
従来の分析手法は、しばしば事前記録されたオフラインの数値データに依存しており、ライブゲームの動的環境におけるそれらの応用を妨げる。
放送ビデオの分析は理想的と思われるが、動きのぼやけや解像度の低さなど、大きな課題に直面している。
これらの課題に対処するため,我々は,ピッチャーキネマティクスを直接生放送ビデオから分析し,速度,リリースポイント,ピッチ位置,リリース拡張といった貴重なピッチ統計を抽出するエンドツーエンド自動システムであるPitcherNetを紹介した。
本システムは,(1)プレイヤーの運動学からの行動分離によるプレイヤー追跡と識別,(2)分布と深度を考慮した3次元人体モデリング,(3)キネマティック駆動型ピッチ統計の3つの重要な要素を活用する。
PitcherNetは、ピッチャーのトラックレット同定において96.82%の精度で頑健な解析結果を達成し、関節位置誤差を1.8mm削減し、ベースライン法よりも優れた分析結果を得た。
PitcherNetは、放送ビデオからパフォーマンスクリティカルなキネマティック分析を可能にすることで、投球戦略を最適化し、怪我を防ぎ、ピッチャーメカニックの深い理解を解き、永久にゲームを変革することで、野球分析の未来への道を開く。
関連論文リスト
- MonST3R: A Simple Approach for Estimating Geometry in the Presence of Motion [118.74385965694694]
我々は動的シーンから時間ステップごとの幾何を直接推定する新しい幾何学的アプローチであるMotion DUSt3R(MonST3R)を提案する。
各タイムステップのポイントマップを単純に推定することで、静的シーンにのみ使用されるDUST3Rの表現を動的シーンに効果的に適応させることができる。
我々は、問題を微調整タスクとしてポーズし、いくつかの適切なデータセットを特定し、この制限されたデータ上でモデルを戦略的に訓練することで、驚くほどモデルを動的に扱えることを示す。
論文 参考訳（メタデータ） (2024-10-04T18:00:07Z) - Exploring Dynamic Transformer for Efficient Object Tracking [58.120191254379854]
効率的なトラッキングのための動的トランスフォーマーフレームワークであるDyTrackを提案する。
DyTrackは、様々な入力に対して適切な推論ルートを設定することを学習し、利用可能な計算予算をより活用する。
複数のベンチマークの実験では、DyTrackは単一のモデルで有望な速度精度のトレードオフを実現している。
論文 参考訳（メタデータ） (2024-03-26T12:31:58Z) - Passing Heatmap Prediction Based on Transformer Model and Tracking Data [0.0]
本研究では,パスの潜在的な終端位置を予測できる新しいディープラーニングネットワークアーキテクチャを提案する。
28,000回以上のイベントを解析すると、0.7以上のTop-1精度で堅牢な予測が達成される。
また、この予測に基づいて、ピッチコントロールとパスオプションをよりよく理解することで、選手のオフボール運動が防御性能に与える影響を測定することができる。
論文 参考訳（メタデータ） (2023-09-04T11:14:22Z) - Mitigating Motion Blur for Robust 3D Baseball Player Pose Modeling for
Pitch Analysis [5.010690651107531]
本稿では, ピッチャーのぼやけた動作に対処するモデルの能力を高めるために, 合成データ拡張パイプラインを提案する。
2次元と3次元のポーズ推定のためのテストデータセットにおいて、損失の54.2%と36.2%の顕著な減少が観察された。
論文 参考訳（メタデータ） (2023-09-02T19:42:59Z) - 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) - DBQ-SSD: Dynamic Ball Query for Efficient 3D Object Detection [113.5418064456229]
入力特徴に応じて入力点のサブセットを適応的に選択する動的ボールクエリ(DBQ)ネットワークを提案する。
最先端の3D検出器に組み込むことができ、エンドツーエンドで訓練することで、計算コストを大幅に削減することができる。
論文 参考訳（メタデータ） (2022-07-22T07:08:42Z) - 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) - Real-time Object Detection for Streaming Perception [84.2559631820007]
ストリーミング知覚は,ビデオオンライン知覚の1つの指標として,レイテンシと精度を共同評価するために提案される。
ストリーミング知覚のためのシンプルで効果的なフレームワークを構築します。
提案手法はArgoverse-HDデータセット上での競合性能を実現し,強力なベースラインに比べてAPを4.9%向上させる。
論文 参考訳（メタデータ） (2022-03-23T11:33:27Z) - DeciWatch: A Simple Baseline for 10x Efficient 2D and 3D Pose Estimation [58.06505882939195]
DeciWatchはビデオベースの2D/3D人間のポーズ推定のためのフレームワークである。
パフォーマンスを低下させることなく、既存の作業の10倍の効率向上を達成できる。
論文 参考訳（メタデータ） (2022-03-16T16:03:37Z) - Predicting the outcome of team movements -- Player time series analysis
using fuzzy and deep methods for representation learning [0.0]
我々は、より拡張された一連の動きや戦術計画において、短い戦術と宇宙占領の有用なエンコーディングのためのフレームワークを提供する。
本稿では,2015-16シーズンのプロバスケットボールSportVUデータセットにおける予測・認識タスクに対する提案手法の有効性について検討する。
論文 参考訳（メタデータ） (2021-09-13T18:42:37Z) - Unsupervised Temporal Feature Aggregation for Event Detection in
Unstructured Sports Videos [10.230408415438966]
任意のカメラアングルを持つ非構造化環境を対象としたスポーツビデオにおけるイベント検出事例について検討した。
我々は、非構造化設定におけるプレイヤーの教師なし識別と、任意の射撃角度によるバリエーションを示すために訓練されたモデルの一般化の2つの主要な問題を同定し、解決する。
論文 参考訳（メタデータ） (2020-02-19T10:24:22Z)
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。