論文の概要: BlurBall: Joint Ball and Motion Blur Estimation for Table Tennis Ball Tracking

• arxiv url: http://arxiv.org/abs/2509.18387v1
• Date: Mon, 22 Sep 2025 20:16:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.564652
• Title: BlurBall: Joint Ball and Motion Blur Estimation for Table Tennis Ball Tracking
• Title（参考訳）: BlurBall:テーブルテニスボール追跡のためのジョイントボールとモーションブラア推定
• Authors: Thomas Gossard, Filip Radovic, Andreas Ziegler, Andrea Zell,
• Abstract要約: 動きのぼかしは、素早く動く物体の明快さを減らし、検知システムの課題を提起する。 本稿では,ボールをぼやけたストリークの中心に配置し,ぼやけた属性を明示的に注釈付けする新しいラベリング手法を提案する。 またボールの位置と動きのぼけ特性を共同で推定するモデルであるBlurBallを導入する。
• 参考スコア（独自算出の注目度）: 7.933039558471408
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Motion blur reduces the clarity of fast-moving objects, posing challenges for detection systems, especially in racket sports, where balls often appear as streaks rather than distinct points. Existing labeling conventions mark the ball at the leading edge of the blur, introducing asymmetry and ignoring valuable motion cues correlated with velocity. This paper introduces a new labeling strategy that places the ball at the center of the blur streak and explicitly annotates blur attributes. Using this convention, we release a new table tennis ball detection dataset. We demonstrate that this labeling approach consistently enhances detection performance across various models. Furthermore, we introduce BlurBall, a model that jointly estimates ball position and motion blur attributes. By incorporating attention mechanisms such as Squeeze-and-Excitation over multi-frame inputs, we achieve state-of-the-art results in ball detection. Leveraging blur not only improves detection accuracy but also enables more reliable trajectory prediction, benefiting real-time sports analytics.
• Abstract（参考訳）: 動きのぼかしは素早く動く物体の明快さを減らし、特にラケットスポーツでは、ボールがポイントではなくストリークとして現れる。 既存のラベリング規則では、ボールはブラーの先端にマークされ、非対称性を導入し、価値ある動きキューは速度と相関している。 本稿では,ボールをぼやけたストリークの中心に配置し,ぼやけた属性を明示的に注釈付けする新しいラベリング手法を提案する。 この規約を用いて,新しいテーブル球検出データセットを作成した。 このラベリング手法により,様々なモデルにおける検出性能が一貫して向上することが実証された。 さらに,ボール位置と動きのぼけ特性を共同で推定するモデルであるBlurBallを紹介する。 複数フレーム入力に対してSqueeze-and-Excitationなどの注意機構を組み込むことで,ボール検出の最先端性を実現する。 ぼかしの活用は検出精度を向上させるだけでなく、より信頼性の高い軌道予測を可能にし、リアルタイムスポーツ分析に役立てる。

関連論文リスト

• Egocentric Event-Based Vision for Ping Pong Ball Trajectory Prediction [17.147140984254655]
  本稿では,イベントカメラを用いたテーブルテニスにおけるリアルタイムなエゴセントリックな軌道予測システムを提案する。 そこで我々は,メタプロジェクトAriaメガネのセンサデータと同期した球の3次元地下軌道を含むピンポンゲームシーケンスのデータセットを収集した。 我々の検出パイプラインは、計算と知覚を含む4.5msの最悪ケースの総レイテンシを持つ。
  論文  参考訳（メタデータ） (2025-06-09T15:22:55Z)
• MATE: Motion-Augmented Temporal Consistency for Event-based Point Tracking [58.719310295870024]
  本稿では,任意の点を追跡するイベントベースのフレームワークを提案する。 事象の間隔に起因する曖昧さを解決するため、運動誘導モジュールは運動ベクトルを局所的なマッチングプロセスに組み込む。 このメソッドは、任意のポイントベースラインのイベントのみのトラッキングに対して、$Survival_50$メトリックを17.9%改善する。
  論文  参考訳（メタデータ） (2024-12-02T09:13:29Z)
• Walker: Self-supervised Multiple Object Tracking by Walking on Temporal Appearance Graphs [117.67620297750685]
  これは、疎結合なボックスアノテーションとトラッキングラベルのないビデオから学習する、初めてのセルフ教師付きトラッカーである。 Walker氏はMOT17、DanceTrack、BDD100Kで競争力を発揮する最初のセルフトラッカーである。
  論文  参考訳（メタデータ） (2024-09-25T18:00:00Z)
• TrackNetV4: Enhancing Fast Sports Object Tracking with Motion Attention Maps [6.548400020461624]
  本研究では,高次視覚特徴と学習可能な運動注意マップを融合させることにより,トラックネットファミリーの強化を実現する。 提案手法は,移動プロンプト層によって変調されたフレーム差分マップを利用して,時間とともに重要な動き領域をハイライトする。 我々は、既存のTrackNet上に構築された軽量のプラグイン・アンド・プレイソリューションをTrackNetV4と呼びます。
  論文  参考訳（メタデータ） (2024-09-22T17:58:09Z)
• Temporal Correlation Meets Embedding: Towards a 2nd Generation of JDE-based Real-Time Multi-Object Tracking [52.04679257903805]
  共同検出・埋め込み(JDE)トラッカーは多目的追跡(MOT)タスクにおいて優れた性能を示した。 TCBTrackという名前のトラッカーは、複数の公開ベンチマークで最先端のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2024-07-19T07:48:45Z)
• A Badminton Recognition and Tracking System Based on Context Multi-feature Fusion [6.068573093901329]
  2つのトラジェクトリクリップトラッカーは、ボールの正しいトラジェクトリをキャプチャするための異なるルールに基づいて設計されている。 粗粒から細粒への2ラウンドの検出は、バドミントン検出で直面する課題を解決するために用いられる。
  論文  参考訳（メタデータ） (2023-06-26T08:07:56Z)
• Table Tennis Stroke Detection and Recognition Using Ball Trajectory Data [5.735035463793008]
  4人のプロの卓球選手が実行した6つのストローククラスからなるデータセットを取得するために、審判の視点に配置された1台のカメラが使用されている。 従来のオブジェクト検出モデルであるYOLOv4と、時間熱マップベースのモデルであるTrackNetv2を用いたボール追跡がデータセット上に実装されている。 球軌道データを用いてストロークの時間的境界を抽出する数学的アプローチにより,2023個の有効なストロークが得られた。 時間畳み込みネットワークは87.155%の精度で全く見えないデータでストローク認識を実行した。
  論文  参考訳（メタデータ） (2023-02-19T19:13:24Z)
• Ball 3D localization from a single calibrated image [1.2891210250935146]
  本研究では,画素内の球径を推定し,実球径の知識をメートル単位で利用することにより,単一画像上の課題に対処することを提案する。 このアプローチは、ボールが(部分的にも)見えるようなあらゆるゲーム状況に適しています。 3つのバスケットボールデータセットの検証により,我々のモデルがボール3Dのローカライゼーションに顕著な予測を与えることが明らかとなった。
  論文  参考訳（メタデータ） (2022-03-30T19:38:14Z)
• ArTIST: Autoregressive Trajectory Inpainting and Scoring for Tracking [80.02322563402758]
  オンラインマルチオブジェクトトラッキング(MOT)フレームワークの中核的なコンポーネントの1つは、既存のトラックレットと新しい検出を関連付けることである。 そこで我々は,トラックレットが自然運動を表す可能性を直接測定することにより,トラックレットの提案を評価する確率論的自己回帰生成モデルを提案する。
  論文  参考訳（メタデータ） (2020-04-16T06:43:11Z)

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。