論文の概要: Biomechanical-phase based Temporal Segmentation in Sports Videos: a Demonstration on Javelin-Throw

• arxiv url: http://arxiv.org/abs/2509.24606v1
• Date: Mon, 29 Sep 2025 11:11:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.934809
• Title: Biomechanical-phase based Temporal Segmentation in Sports Videos: a Demonstration on Javelin-Throw
• Title（参考訳）: スポーツビデオにおける生体力学的位相に基づく時間的セグメンテーション:ジャベリン・スローの実証
• Authors: Bikash Kumar Badatya, Vipul Baghel, Jyotirmoy Amin, Ravi Hegde,
• Abstract要約: 伝統的なスポーツ分析技術は手動のアノテーションや実験室に基づく計測に依存している。 このような文脈的に認識された時間的セグメンテーションのための新しい教師なしフレームワークを提案する。 提案手法は,テストデータの平均精度(mAP)が71.02%,F1スコアが74.61%であり,競合するベースラインよりもかなり高い。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Precise analysis of athletic motion is central to sports analytics, particularly in disciplines where nuanced biomechanical phases directly impact performance outcomes. Traditional analytics techniques rely on manual annotation or laboratory-based instrumentation, which are time-consuming, costly, and lack scalability. Automatic extraction of relevant kinetic variables requires a robust and contextually appropriate temporal segmentation. Considering the specific case of elite javelin-throw, we present a novel unsupervised framework for such a contextually aware segmentation, which applies the structured optimal transport (SOT) concept to augment the well-known Attention-based Spatio-Temporal Graph Convolutional Network (ASTGCN). This enables the identification of motion phase transitions without requiring expensive manual labeling. Extensive experiments demonstrate that our approach outperforms state-of-the-art unsupervised methods, achieving 71.02% mean average precision (mAP) and 74.61% F1-score on test data, substantially higher than competing baselines. We also release a new dataset of 211 manually annotated professional javelin-throw videos with frame-level annotations, covering key biomechanical phases: approach steps, drive, throw, and recovery.
• Abstract（参考訳）: 運動運動の精密な解析はスポーツ分析の中心であり、特に、生力学的な相が直接パフォーマンスに影響を及ぼす分野において重要である。 従来の分析技術は手動のアノテーションや実験室に基づく計測に依存しており、それは時間を費やし、コストがかかり、スケーラビリティが欠如している。 関連する運動変数の自動抽出には、頑健で文脈的に適切な時間分割が必要である。 エリートジャベリンスローの具体例を考慮し、構造化された最適輸送(SOT)の概念を適用して、よく知られた注意に基づく時空間グラフ畳み込みネットワーク(ASTGCN)を構築する。 これにより、高価な手動ラベリングを必要とせずに、動きの位相遷移を識別できる。 実験の結果,本手法は平均平均精度(mAP)が71.02%,F1スコア(F1スコア)が74.61%,ほぼ競合するベースラインよりも高い結果を得た。 また、手動で注釈付けされたプロ用ジャベリンスロービデオのデータセットをフレームレベルのアノテーションでリリースし、主要なバイオメカニクスフェーズであるアプローチステップ、ドライブ、スロー、リカバリをカバーしています。

関連論文リスト

• Migration as a Probe: A Generalizable Benchmark Framework for Specialist vs. Generalist Machine-Learned Force Fields in Doped Materials [1.572216094651749]
  我々は、(スクラッチから)ベスポークと微調整された基礎モデルとを対比するベンチマークフレームワークを提案する。 平衡,運動学(原子移動),機械的(層間スライディング)タスクの精度を評価する。 この研究はMLFF開発のための実践的なガイドを提供し、効率的な診断としてマイグレーションベースのプローブを強調している。
  論文  参考訳（メタデータ） (2025-08-27T13:24:41Z)
• Feature Impact Analysis on Top Long-Jump Performances with Quantile Random Forest and Explainable AI Techniques [0.32985979395737774]
  我々は、機械学習モデルを利用して、世界選手権のエキスパートが提案する生体力学的特徴を分析する。 男子選手にとって、離陸前の支持脚の膝の角度は、トップ10%のパフォーマンスを達成するための重要な要因である。 女性アスリートにとって、着陸ポーズとアプローチステップの技術は、速度とともにトップ10%のパフォーマンスに影響を与える最も重要な特徴として出現する。
  論文  参考訳（メタデータ） (2025-08-13T13:42:36Z)
• SV3.3B: A Sports Video Understanding Model for Action Recognition [0.0]
  本稿では,スポーツビデオの自動解析の課題について述べる。 現在のアプローチは、意味のあるスポーツ分析に不可欠な、微妙な生体力学的遷移を捉えるのに苦労している。 本稿では,軽量な3.3Bパラメータ映像理解モデルであるSV3.3Bを紹介する。
  論文  参考訳（メタデータ） (2025-07-23T18:11:39Z)
• Learning golf swing signatures from a single wrist-worn inertial sensor [0.0]
  単一手首センサを用いたゴルフスイング分析のためのデータ駆動型フレームワークを構築した。 我々は、技術的欠陥の検出と可視化を容易にする動きプリミティブの合成、離散的な語彙を学習する。 本システムでは,手首データから全身運動とスイングイベントを正確に推定し,実験室での動作解析を行う。
  論文  参考訳（メタデータ） (2025-06-20T22:57:59Z)
• Spatial-Temporal Graph Diffusion Policy with Kinematic Modeling for Bimanual Robotic Manipulation [88.83749146867665]
  既存のアプローチは、遠く離れた次のベストなエンドエフェクタのポーズを予測するポリシーを学びます。 すると、運動に対する対応する関節回転角を逆運動学を用いて計算する。 本稿では,Kinematics 拡張空間テンポアル gRaph diffuser を提案する。
  論文  参考訳（メタデータ） (2025-03-13T17:48:35Z)
• FACTS: Fine-Grained Action Classification for Tactical Sports [4.810476621219244]
  フェンシングやボクシングのような速いペースで密着したスポーツにおけるきめ細かいアクションの分類は、固有の課題である。 我々は、生のビデオデータを直接処理する、きめ細かいアクション認識のための新しいアプローチであるFACTSを紹介する。 本研究は, トレーニング, パフォーマンス分析, スペクタエンゲージメントを向上し, 戦術スポーツにおける行動分類のための新しいベンチマークを設定した。
  論文  参考訳（メタデータ） (2024-12-21T03:00:25Z)
• Semi-Supervised Class-Agnostic Motion Prediction with Pseudo Label Regeneration and BEVMix [59.55173022987071]
  クラス非依存動作予測のための半教師あり学習の可能性について検討する。 我々のフレームワークは一貫性に基づく自己学習パラダイムを採用しており、ラベルのないデータからモデルを学習することができる。 本手法は,弱さと完全教師付き手法に匹敵する性能を示す。
  論文  参考訳（メタデータ） (2023-12-13T09:32:50Z)
• SEPT: Towards Efficient Scene Representation Learning for Motion Prediction [19.111948522155004]
  本稿では,自己教師付き学習を活用し,複雑な交通シーンのための強力なモデルを開発するためのモデリングフレームワークSEPTを提案する。 実験により、SEPTはアーキテクチャ設計や機能エンジニアリングを伴わず、Argoverse 1 と Argoverse 2 のモーション予測ベンチマークで最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-09-26T21:56:03Z)
• Learning Motion Flows for Semi-supervised Instrument Segmentation from Robotic Surgical Video [64.44583693846751]
  本研究は,スパースアノテーションを用いたロボット手術ビデオから半教師楽器のセグメンテーションについて検討する。 生成されたデータペアを利用することで、我々のフレームワークはトレーニングシーケンスの時間的一貫性を回復し、強化することができます。 その結果,本手法は最先端の半教師あり手法よりも大きなマージンで優れていることがわかった。
  論文  参考訳（メタデータ） (2020-07-06T02:39:32Z)

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。