論文の概要: CoachMe: Decoding Sport Elements with a Reference-Based Coaching Instruction Generation Model

• arxiv url: http://arxiv.org/abs/2509.11698v1
• Date: Mon, 15 Sep 2025 09:01:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:23.204221
• Title: CoachMe: Decoding Sport Elements with a Reference-Based Coaching Instruction Generation Model
• Title（参考訳）: CoachMe: 参照型コーチング命令生成モデルによるスポーツ要素のデコード
• Authors: Wei-Hsin Yeh, Yu-An Su, Chih-Ning Chen, Yi-Hsueh Lin, Calvin Ku, Wen-Hsin Chiu, Min-Chun Hu, Lun-Wei Ku,
• Abstract要約: CoachMeは、学習者の動作と時間的および物理的側面における参照の違いを分析するリファレンスベースモデルである。 一般的な動きから学習し,限られたデータを活用することで,CoachMeがスケートやボクシングなどの特定のスポーツにどのように適応するかを示す。
• 参考スコア（独自算出の注目度）: 14.887934352089742
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Motion instruction is a crucial task that helps athletes refine their technique by analyzing movements and providing corrective guidance. Although recent advances in multimodal models have improved motion understanding, generating precise and sport-specific instruction remains challenging due to the highly domain-specific nature of sports and the need for informative guidance. We propose CoachMe, a reference-based model that analyzes the differences between a learner's motion and a reference under temporal and physical aspects. This approach enables both domain-knowledge learning and the acquisition of a coach-like thinking process that identifies movement errors effectively and provides feedback to explain how to improve. In this paper, we illustrate how CoachMe adapts well to specific sports such as skating and boxing by learning from general movements and then leveraging limited data. Experiments show that CoachMe provides high-quality instructions instead of directions merely in the tone of a coach but without critical information. CoachMe outperforms GPT-4o by 31.6% in G-Eval on figure skating and by 58.3% on boxing. Analysis further confirms that it elaborates on errors and their corresponding improvement methods in the generated instructions. You can find CoachMe here: https://motionxperts.github.io/
• Abstract（参考訳）: 運動指導は、運動を分析し、補正ガイダンスを提供することで、アスリートがテクニックを洗練させるのを助ける重要なタスクである。 近年のマルチモーダルモデルの進歩により運動理解が向上しているが、高度にドメイン固有のスポーツの性質とインフォメーションガイダンスの必要性から、正確かつスポーツ特有の指導を生成することは困難である。 我々は,学習者の動作と時間的・物理的側面における参照の差異を分析する参照ベースモデルであるCoachMeを提案する。 このアプローチは、ドメイン知識学習と、行動エラーを効果的に識別し、改善方法を説明するフィードバックを提供するコーチのような思考プロセスの獲得を可能にする。 本稿では,CoachMeがスケートやボクシングなどの特定のスポーツに対して,一般的な動きから学習し,限られたデータを活用することで,どのように適応するかを説明する。 実験によると、CoachMeはコーチのトーンに留まらず、重要な情報を持たない、高品質な指示を提供する。 CoachMeはフィギュアスケートではG-Evalで31.6%、ボクシングでは58.3%でGPT-4oを上回っている。 解析により、生成した命令におけるエラーとそれに対応する改善方法の詳細が確認される。 CoachMeはここにある。 https://motionxperts.github.io/

関連論文リスト

• ExpertAF: Expert Actionable Feedback from Video [81.46431188306397]
  本研究では,バスケットボールやサッカーなどの身体活動を行う人の映像から,アクション可能なフィードバックを生成する新しい手法を提案する。 提案手法は,映像のデモンストレーションとそれに伴う3Dボディーポーズを取り,その人が何をしているか,何が改善できるかを解説した専門家のコメントを生成する。 Ego-Exo4Dの[29]ビデオの熟練した活動と専門家の解説を、強力な言語モデルとともに活用して、このタスクのための弱い教師付きトレーニングデータセットを作成する方法を示す。
  論文  参考訳（メタデータ） (2024-08-01T16:13:07Z)
• AI coach for badminton [0.0]
  本研究では,バドミントンマッチの映像を識別し,プレイヤーの運動学と生体力学の知見を抽出する。 この研究は、姿勢、技術、筋肉の向きの改善を示唆する予測モデルを導出することを目的としている。 これらの勧告は、誤ったテクニックを緩和し、関節疲労のリスクを低減し、全体的なパフォーマンスを向上させるように設計されている。
  論文  参考訳（メタデータ） (2024-03-13T20:51:21Z)
• Effects of Multimodal Explanations for Autonomous Driving on Driving Performance, Cognitive Load, Expertise, Confidence, and Trust [2.9143343479274675]
  我々は、AIコーチの説明コミュニケーションが、パフォーマンス駆動専門家の指示をモデルにした影響を検証した。 結果として、AIコーチングは、初心者にパフォーマンス駆動スキルを効果的に教えることができることを示している。 効率的なHMI通信を設計する際には,効率的なモダリティに適した説明を選択すべきである。
  論文  参考訳（メタデータ） (2024-01-08T19:33:57Z)
• MAAIG: Motion Analysis And Instruction Generation [10.330867429217362]
  多くの人が自宅で自己指導型スポーツトレーニングに従事しているが、プロのコーチのリアルタイム指導は欠如している。 我々はMAAIGと呼ばれる新しいアプリケーションフレームワークを提案する。 ユーザーが提供したスポーツアクションビデオに基づいて、フレーム毎に埋め込みベクターを生成することができる。
  論文  参考訳（メタデータ） (2023-11-02T03:53:25Z)
• Understanding why shooters shoot -- An AI-powered engine for basketball performance profiling [70.54015529131325]
  バスケットボールは、プレイスタイルやゲームダイナミクスなど、多くの変数によって規定されている。 パフォーマンスプロファイルが様々なプレイスタイルを反映できることは重要です。 プレイヤのパフォーマンスプロファイルをタイムリーに可視化するツールを提案する。
  論文  参考訳（メタデータ） (2023-03-17T01:13:18Z)
• 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)
• Coach-Player Multi-Agent Reinforcement Learning for Dynamic Team Composition [88.26752130107259]
  現実世界のマルチエージェントシステムでは、異なる能力を持つエージェントがチーム全体の目標を変更することなく参加または離脱する可能性がある。 この問題に取り組むコーチ・プレイヤー・フレームワーク「COPA」を提案します。 1)コーチと選手の両方の注意メカニズムを採用し、2)学習を正規化するための変動目標を提案し、3)コーチが選手とのコミュニケーションのタイミングを決定するための適応的なコミュニケーション方法を設計する。
  論文  参考訳（メタデータ） (2021-05-18T17:27:37Z)

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。