論文の概要: SoccerSynth-Detection: A Synthetic Dataset for Soccer Player Detection
- arxiv url: http://arxiv.org/abs/2501.09281v1
- Date: Thu, 16 Jan 2025 04:06:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-17 15:10:20.357713
- Title: SoccerSynth-Detection: A Synthetic Dataset for Soccer Player Detection
- Title（参考訳）: SoccerSynth-Detection: サッカー選手検出のための合成データセット
- Authors: Haobin Qin, Calvin Yeung, Rikuhei Umemoto, Keisuke Fujii,
- Abstract要約: Soccer Synth-Detectionは、合成サッカー選手を検出するために設計された最初の合成データセットである。
広い範囲のランダムな照明やテクスチャ、シミュレートされたカメラモーションのぼかしなどが含まれる。
本研究は,サッカービデオ解析の分野でのアルゴリズム学習において,実際のデータセットを置き換える合成データセットの可能性を示すものである。
- 参考スコア（独自算出の注目度）: 0.7332146059733189
- License:
- Abstract: In soccer video analysis, player detection is essential for identifying key events and reconstructing tactical positions. The presence of numerous players and frequent occlusions, combined with copyright restrictions, severely restricts the availability of datasets, leaving limited options such as SoccerNet-Tracking and SportsMOT. These datasets suffer from a lack of diversity, which hinders algorithms from adapting effectively to varied soccer video contexts. To address these challenges, we developed SoccerSynth-Detection, the first synthetic dataset designed for the detection of synthetic soccer players. It includes a broad range of random lighting and textures, as well as simulated camera motion blur. We validated its efficacy using the object detection model (Yolov8n) against real-world datasets (SoccerNet-Tracking and SportsMoT). In transfer tests, it matched the performance of real datasets and significantly outperformed them in images with motion blur; in pre-training tests, it demonstrated its efficacy as a pre-training dataset, significantly enhancing the algorithm's overall performance. Our work demonstrates the potential of synthetic datasets to replace real datasets for algorithm training in the field of soccer video analysis.
- Abstract（参考訳）: サッカービデオ解析では、プレイヤー検出は重要な出来事を特定し、戦術的な位置を再構築するために不可欠である。
多くのプレイヤーや頻繁なオクルージョンの存在と著作権の制限が組み合わさってデータセットの入手を厳しく制限し、サッカーネット・トラックやスポーツモットのような限られた選択肢を残している。
これらのデータセットは多様性の欠如に悩まされており、様々なサッカービデオコンテキストにアルゴリズムが効果的に適応することを妨げている。
これらの課題に対処するため,我々は合成サッカー選手検出のための最初の合成データセットである SoccerSynth-Detection を開発した。
広い範囲のランダムな照明やテクスチャ、シミュレートされたカメラモーションのぼかしなどが含まれる。
実世界のデータセット(SoccerNet-TrackingとSportsMoT)に対するオブジェクト検出モデル(Yolov8n)を用いて,その有効性を検証した。
転送テストでは、実際のデータセットのパフォーマンスにマッチし、動きのぼやけのある画像で大幅にパフォーマンスを向上し、事前トレーニングテストでは、トレーニング前のデータセットとしての有効性を示し、アルゴリズム全体のパフォーマンスを著しく向上させた。
本研究は,サッカービデオ解析の分野でのアルゴリズム学習において,実際のデータセットを置き換える合成データセットの可能性を示すものである。
関連論文リスト
- Real Acoustic Fields: An Audio-Visual Room Acoustics Dataset and Benchmark [65.79402756995084]
Real Acoustic Fields (RAF)は、複数のモードから実際の音響室データをキャプチャする新しいデータセットである。
RAFは密集した室内音響データを提供する最初のデータセットである。
論文 参考訳（メタデータ） (2024-03-27T17:59:56Z) - Deep Domain Adaptation: A Sim2Real Neural Approach for Improving Eye-Tracking Systems [80.62854148838359]
眼球画像のセグメンテーションは、最終視線推定に大きな影響を及ぼす眼球追跡の重要なステップである。
対象視線画像と合成訓練データとの重なり合いを測定するために,次元還元法を用いている。
提案手法は,シミュレーションと実世界のデータサンプルの相違に対処する際の頑健で,性能が向上する。
論文 参考訳（メタデータ） (2024-03-23T22:32:06Z) - Dynamic NeRFs for Soccer Scenes [5.390044264881099]
サッカーのアクションを合成するフォトリアリスティックな新しい視点は、放送業界にとって大きな関心事である。
ニューラルフィールドの近年の出現は、多くの新しいビュー合成応用において驚くべき進歩をもたらした。
合成サッカー環境を構築し,それを用いた実験を行い,動的NeRFを用いてサッカーシーンの再構築を支援する重要な要素を特定した。
論文 参考訳（メタデータ） (2023-09-13T08:50:00Z) - SoccerKDNet: A Knowledge Distillation Framework for Action Recognition
in Soccer Videos [3.1583465114791105]
本研究では,Kinetics400データセット上で事前学習した新しいエンド・ツー・エンドの知識蒸留に基づくトランスファーラーニングネットワークを提案する。
また,448本のビデオを含むサッカーDB1という新しいデータセットを導入し,サッカーをプレーする選手の4つのクラスで構成された。
論文 参考訳（メタデータ） (2023-07-15T10:43:24Z) - 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) - 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) - 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) - SoccerNet-v2: A Dataset and Benchmarks for Holistic Understanding of
Broadcast Soccer Videos [71.72665910128975]
SoccerNet-v2 は SoccerNet ビデオデータセット用の手動アノテーションの大規模なコーパスである。
SoccerNetの500の未トリミングサッカービデオの中で、約300万のアノテーションをリリースしています。
サッカーの領域における現在のタスクを拡張し、アクションスポッティング、カメラショットセグメンテーション、境界検出を含む。
論文 参考訳（メタデータ） (2020-11-26T16:10:16Z) - 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) - Group Activity Detection from Trajectory and Video Data in Soccer [16.134402513773463]
サッカーにおけるグループアクティビティ検出は、ビデオデータまたはプレーヤとボールの軌跡データを用いて行うことができる。
現在のサッカーデータセットでは、活動は時間なしで原子イベントとしてラベル付けされる。
その結果,ほとんどの事象は,時間分解能が0.5秒未満の視力や軌跡に基づくアプローチで検出できることがわかった。
論文 参考訳（メタデータ） (2020-04-21T21:11:30Z)
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。