論文の概要: Predicting Soccer Penalty Kick Direction Using Human Action Recognition

• arxiv url: http://arxiv.org/abs/2507.12617v1
• Date: Wed, 16 Jul 2025 20:27:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-18 20:10:24.266601
• Title: Predicting Soccer Penalty Kick Direction Using Human Action Recognition
• Title（参考訳）: 人間行動認識を用いたサッカーペナルティキックの方向予測
• Authors: David Freire-Obregón, Oliverio J. Santana, Javier Lorenzo-Navarro, Daniel Hernández-Sosa, Modesto Castrillón-Santana,
• Abstract要約: 本研究は,手動でアノテートされたサッカーペナルティキックの新たなデータセットを提示し,プレキック選手の動きに基づくショット方向の予測を行う。 本稿では,HARに基づく特徴埋め込みとコンテキストメタデータを統合したディープラーニング分類器を提案する。 我々は、7つのアーキテクチャーファミリにまたがる24のバックボーンモデルを評価し、ショット方向の予測において最大63.9%の精度を達成した。
• 参考スコア（独自算出の注目度）: 4.620715958859347
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Action anticipation has become a prominent topic in Human Action Recognition (HAR). However, its application to real-world sports scenarios remains limited by the availability of suitable annotated datasets. This work presents a novel dataset of manually annotated soccer penalty kicks to predict shot direction based on pre-kick player movements. We propose a deep learning classifier to benchmark this dataset that integrates HAR-based feature embeddings with contextual metadata. We evaluate twenty-two backbone models across seven architecture families (MViTv2, MViTv1, SlowFast, Slow, X3D, I3D, C2D), achieving up to 63.9% accuracy in predicting shot direction (left or right), outperforming the real goalkeepers' decisions. These results demonstrate the dataset's value for anticipatory action recognition and validate our model's potential as a generalizable approach for sports-based predictive tasks.
• Abstract（参考訳）: 行動予測はHAR(Human Action Recognition)において顕著な話題となっている。 しかし、実際のスポーツシナリオへの応用は、適切な注釈付きデータセットの利用可能性によって制限されている。 本研究は,手動でアノテートされたサッカーペナルティキックの新たなデータセットを提示し,プレキック選手の動きに基づくショット方向の予測を行う。 本稿では,HARに基づく特徴埋め込みとコンテキストメタデータを統合したディープラーニング分類器を提案する。 我々は、7つのアーキテクチャファミリ(MViTv2、MViTv1、SlowFast、Slow、X3D、I3D、C2D)にわたる24のバックボーンモデルを評価し、ショット方向(左または右)を63.9%の精度で予測し、実際のゴールキーパーの判断を上回った。 これらの結果は、予測行動認識のためのデータセットの価値を示し、スポーツベースの予測タスクの一般化可能なアプローチとして、我々のモデルの可能性を検証する。

関連論文リスト

• AthleticsPose: Authentic Sports Motion Dataset on Athletic Field and Evaluation of Monocular 3D Pose Estimation Ability [4.991985467382602]
  AthleticsPoseデータセットを導入し、運動場で様々なスポーツイベントを行う23人のアスリートからリアルの動きをキャプチャする。 その結果,AthleticsPoseでトレーニングしたモデルは,模擬スポーツ運動データセットでトレーニングしたベースラインモデルよりも有意に優れていた。 運動学的指標のケーススタディでは、このモデルは膝の角度の個人差をとらえる可能性を示したが、より高速な測定に苦慮した。
  論文  参考訳（メタデータ） (2025-07-17T08:43:23Z)
• Classifying Soccer Ball-on-Goal Position Through Kicker Shooting Action [1.3887779684720984]
  本研究は、シューターの蹴りを観察することで、サッカーフリーキック後のボールの方向を正確に予測できるかどうかを論じる。 我々のアプローチは、ヒューマンアクション認識(HAR)埋め込みとコンテキスト情報を統合するモデルを開発するためにニューラルネットワークを活用することである。 その結果,2つの主要なBoGPクラス(左右)を考える場合,69.1%の精度が得られた。
  論文  参考訳（メタデータ） (2023-12-23T12:11:38Z)
• SPOT: Scalable 3D Pre-training via Occupancy Prediction for Learning Transferable 3D Representations [76.45009891152178]
  トレーニング-ファインタニングアプローチは、さまざまな下流データセットとタスクをまたいだトレーニング済みのバックボーンを微調整することで、ラベル付けの負担を軽減することができる。 本稿では, 一般表現学習が, 占領予測のタスクを通じて達成できることを, 初めて示す。 本研究は,LiDAR 点の理解を促進するとともに,LiDAR の事前訓練における今後の進歩の道を開くことを目的とする。
  論文  参考訳（メタデータ） (2023-09-19T11:13:01Z)
• Pedestrian Crossing Action Recognition and Trajectory Prediction with 3D Human Keypoints [25.550524178542833]
  歩行者の横断行動認識と軌道予測のための新しいマルチタスク学習フレームワークを提案する。 生のセンサデータから抽出した3D人間のキーポイントを用いて、人間のポーズや活動に関する豊富な情報をキャプチャする。 提案手法は,幅広い評価指標を用いて最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-06-01T18:27:48Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based Action Recognition [88.34182299496074]
  アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。 我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。 時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
  論文  参考訳（メタデータ） (2022-07-17T07:05:39Z)
• Dynamic Iterative Refinement for Efficient 3D Hand Pose Estimation [87.54604263202941]
  本稿では,従来の推定値の修正に部分的レイヤを反復的に活用する,小さなディープニューラルネットワークを提案する。 学習したゲーティング基準を用いて、ウェイトシェアリングループから抜け出すかどうかを判断し、モデルにサンプルごとの適応を可能にする。 提案手法は,広く使用されているベンチマークの精度と効率の両面から,最先端の2D/3Dハンドポーズ推定手法より一貫して優れている。
  論文  参考訳（メタデータ） (2021-11-11T23:31:34Z)
• 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)
• Self-supervised Human Activity Recognition by Learning to Predict Cross-Dimensional Motion [16.457778420360537]
  スマートフォン加速度計データを用いた人間行動認識のための自己教師型学習法を提案する。 まず、ラベルなし入力信号の表現は、深層畳み込みニューラルネットワークを訓練して加速度計値のセグメントを予測することによって学習される。 このタスクでは、凍結ネットワークの端に多数の完全に接続されたレイヤを追加し、ラベル付き加速度センサ信号で付加されたレイヤをトレーニングし、人間の活動の分類を学ぶ。
  論文  参考訳（メタデータ） (2020-10-21T02:14:31Z)
• A Real-Time Predictive Pedestrian Collision Warning Service for Cooperative Intelligent Transportation Systems Using 3D Pose Estimation [10.652350454373531]
  歩行者方向認識(100.53 FPS)と意図予測(35.76 FPS)の2つのタスクに対して,リアルタイムな歩行者衝突警報サービス(P2CWS)を提案する。 提案手法は,提案したサイトに依存しない特徴により,複数のサイトに対する一般化を満足する。 提案したビジョンフレームワークは、トレーニングプロセスなしでTUDデータセットの行動認識タスクの89.3%の精度を実現する。
  論文  参考訳（メタデータ） (2020-09-23T00:55:12Z)
• Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
  視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。 本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。 歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
  論文  参考訳（メタデータ） (2020-02-20T18:50:44Z)

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。