論文の概要: YourSkatingCoach: A Figure Skating Video Benchmark for Fine-Grained Element Analysis
- arxiv url: http://arxiv.org/abs/2410.20427v1
- Date: Sun, 27 Oct 2024 12:52:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-29 12:22:40.753021
- Title: YourSkatingCoach: A Figure Skating Video Benchmark for Fine-Grained Element Analysis
- Title（参考訳）: YourSkatingCoach: 細粒度要素分析のためのフィギュアスケートビデオベンチマーク
- Authors: Wei-Yi Chen, Yu-An Su, Wei-Hsin Yeh, Lun-Wei Ku,
- Abstract要約: データセットには、ジャンプ要素の454のビデオ、検出された各ビデオ中のスケータースケルトン、ジャンプの開始フレームと終了フレームのゴールドラベル、フィギュアスケートの動画ベンチマークが含まれている。
そこで本研究では,ジャンプの時間長を正確に検出することを目的とした,新しい動作解析タスクである空気時間検出を提案する。
細粒度ラベルの一般化性を検証するため、粗粒度タスクアクション分類ではなく、クロススポーツタスクとして他のスポーツにも同様のプロセスを適用する。
- 参考スコア（独自算出の注目度）: 10.330867429217362
- License:
- Abstract: Combining sports and machine learning involves leveraging ML algorithms and techniques to extract insight from sports-related data such as player statistics, game footage, and other relevant information. However, datasets related to figure skating in the literature focus primarily on element classification and are currently unavailable or exhibit only limited access, which greatly raise the entry barrier to developing visual sports technology for it. Moreover, when using such data to help athletes improve their skills, we find they are very coarse-grained: they work for learning what an element is, but they are poorly suited to learning whether the element is good or bad. Here we propose air time detection, a novel motion analysis task, the goal of which is to accurately detect the duration of the air time of a jump. We present YourSkatingCoach, a large, novel figure skating dataset which contains 454 videos of jump elements, the detected skater skeletons in each video, along with the gold labels of the start and ending frames of each jump, together as a video benchmark for figure skating. In addition, although this type of task is often viewed as classification, we cast it as a sequential labeling problem and propose a Transformer-based model to calculate the duration. Experimental results show that the proposed model yields a favorable results for a strong baseline. To further verify the generalizability of the fine-grained labels, we apply the same process to other sports as cross-sports tasks but for coarse-grained task action classification. Here we fine-tune the classification to demonstrate that figure skating, as it contains the essential body movements, constitutes a strong foundation for adaptation to other sports.
- Abstract（参考訳）: スポーツと機械学習の組み合わせは、MLアルゴリズムとテクニックを活用して、プレイヤー統計、ゲーム映像、その他の関連する情報などのスポーツ関連データから洞察を抽出する。
しかし、文学におけるフィギュアスケートに関連するデータセットは、主に要素分類に焦点を合わせており、現在利用できないか、限られたアクセスしか示していないため、視覚スポーツ技術開発への参入障壁を大きく高めている。
さらに、選手のスキル向上にこのようなデータを使用すると、それは非常に粗い粒度で、要素が何であるかを学ぶのに役立ちますが、その要素が良いか悪いかを学ぶのにはあまり適していません。
本稿では,ジャンプの時間長を正確に検出することを目的として,新しい動作解析タスクである空気時間検出を提案する。
今回紹介するYourSkatingCoachは、ジャンプ要素の454本のビデオ、検出されたスケーターの骨格、ジャンプの開始フレームと終了フレームのゴールドラベル、およびフィギュアスケートの動画ベンチマークを含む、巨大で斬新なフィギュアスケートデータセットである。
また,このようなタスクはしばしば分類として扱われるが,逐次ラベリング問題とみなし,継続時間を計算するためのTransformerベースのモデルを提案する。
実験結果から,提案モデルが強いベースラインに有利な結果をもたらすことが示された。
さらに,細粒度ラベルの一般化性を検証するために,粗粒度タスクアクション分類ではなく,クロススポーツタスクと同一の処理を他のスポーツに適用する。
ここでは、フィギュアスケートが、本質的な身体運動を含むため、他のスポーツに適応するための強力な基盤となっていることを示すために、分類を微調整する。
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) - Benchmarking Badminton Action Recognition with a New Fine-Grained Dataset [16.407837909069073]
高品質なバドミントン映像から得られたビデオバドミントンデータセットを紹介する。
VideoBadmintonの導入は、バドミントンアクション認識だけでなく、きめ細かいアクションを認識するためのデータセットも提供する。
論文 参考訳（メタデータ） (2024-03-19T02:52:06Z) - 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) - Sport Task: Fine Grained Action Detection and Classification of Table
Tennis Strokes from Videos for MediaEval 2022 [0.9894420655516565]
本課題は,スポーツビデオから微妙な動きを検出し,分類することである。
私たちは卓球の試合の記録に重点を置いている。
2021年以降、このタスクは、注釈のない未修正ビデオからのストローク検出にも挑戦している。
論文 参考訳（メタデータ） (2023-01-31T12:03:59Z) - 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) - 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) - Sports Video: Fine-Grained Action Detection and Classification of Table
Tennis Strokes from Videos for MediaEval 2021 [0.0]
このタスクは、ビデオからのきめ細かいアクション検出と分類に取り組む。
主に卓球の試合の記録に焦点が当てられている。
本研究は,スポーツのパフォーマンスを解析するために,スポーツコーチや選手のためのツールを作成することを目的としている。
論文 参考訳（メタデータ） (2021-12-16T10:17:59Z) - Hybrid Dynamic-static Context-aware Attention Network for Action
Assessment in Long Videos [96.45804577283563]
本稿では,長期ビデオにおけるアクションアセスメントのための新しいハイブリットDynAmic-static Context-aware AttenTION NETwork(ACTION-NET)を提案する。
ビデオのダイナミックな情報を学習すると同時に,特定フレームにおける検出した選手の静的姿勢にも焦点をあてる。
2つのストリームの特徴を組み合わせることで、専門家が与えた地道的なスコアによって監督され、最終的なビデオスコアを後退させます。
論文 参考訳（メタデータ） (2020-08-13T15:51:42Z) - FineGym: A Hierarchical Video Dataset for Fine-grained Action
Understanding [118.32912239230272]
FineGymは体操ビデオの上に構築された新しいアクション認識データセットだ。
アクションレベルとサブアクションレベルの両方で3レベルのセマンティック階層を持つテンポラリアノテーションを提供する。
この新たな粒度レベルは、行動認識に重大な課題をもたらす。
論文 参考訳（メタデータ） (2020-04-14T17:55:21Z) - FSD-10: A Dataset for Competitive Sports Content Analysis [29.62110021022271]
フィギュアスケートデータセット(FSD-10)は、きめ細かいアクションのコレクションを持つように設計されている。
各クリップは毎秒30フレーム、解像度は1080ドルで720ドルだ。
FSD-10における動作認識手法の評価を行った。
論文 参考訳（メタデータ） (2020-02-09T08:04:26Z)
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。