論文の概要: Automated Tennis Player and Ball Tracking with Court Keypoints Detection (Hawk Eye System)

• arxiv url: http://arxiv.org/abs/2511.04126v1
• Date: Thu, 06 Nov 2025 07:18:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-07 20:17:53.343828
• Title: Automated Tennis Player and Ball Tracking with Court Keypoints Detection (Hawk Eye System)
• Title（参考訳）: コートキーポイント検出(Hawk Eye System)によるテニス選手の自動追跡
• Authors: Venkata Manikanta Desu, Syed Fawaz Ali,
• Abstract要約: 本研究では,自動テニスマッチ解析のための完全パイプラインを提案する。 本フレームワークは,複数の深層学習モデルを統合し,選手とテニスボールをリアルタイムで検出・追跡する。 このモデルは、注釈付きビデオと詳細なパフォーマンス指標を出力し、コーチ、ブロードキャスター、プレイヤーがゲームのダイナミクスに関する実用的な洞察を得ることを可能にする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: This study presents a complete pipeline for automated tennis match analysis. Our framework integrates multiple deep learning models to detect and track players and the tennis ball in real time, while also identifying court keypoints for spatial reference. Using YOLOv8 for player detection, a custom-trained YOLOv5 model for ball tracking, and a ResNet50-based architecture for court keypoint detection, our system provides detailed analytics including player movement patterns, ball speed, shot accuracy, and player reaction times. The experimental results demonstrate robust performance in varying court conditions and match scenarios. The model outputs an annotated video along with detailed performance metrics, enabling coaches, broadcasters, and players to gain actionable insights into the dynamics of the game.
• Abstract（参考訳）: 本研究では,自動テニスマッチ解析のための完全パイプラインを提案する。 本フレームワークは,複数の深層学習モデルを統合し,プレーヤーと球体をリアルタイムで検出・追跡すると共に,空間参照のためのコートキーポイントを同定する。 選手検出にYOLOv8, ボールトラッキング用にカスタムトレーニングされたYOLOv5モデル, コートキーポイント検出のためのResNet50ベースのアーキテクチャを用いて, 本システムでは, プレーヤーの動きパターン, ボール速度, ショット精度, プレイヤー反応時間などの詳細な分析を行う。 実験により, 異なる裁判所条件と一致シナリオにおいて, 堅牢な性能を示すことができた。 このモデルは、注釈付きビデオと詳細なパフォーマンス指標を出力し、コーチ、ブロードキャスター、プレイヤーがゲームのダイナミクスに関する実用的な洞察を得ることを可能にする。

関連論文リスト

• Action Anticipation from SoccerNet Football Video Broadcasts [84.87912817065506]
  フットボール放送ビデオのアクション予測タスクについて紹介する。 我々は、5秒または10秒の予測ウィンドウ内で、観測されていない将来のフレームにおける将来の動作を予測する。 我々の研究は、自動放送、戦術分析、プレイヤーの意思決定における応用を可能にします。
  論文  参考訳（メタデータ） (2025-04-16T12:24:33Z)
• Game State and Spatio-temporal Action Detection in Soccer using Graph Neural Networks and 3D Convolutional Networks [1.4249472316161877]
  サッカーは2つのデータソースに依存している。 本稿では,学習したエンドツーエンドと最先端の3D CNNによる視覚的・ゲーム的状態分析を組み合わせた時間的行動検出手法を提案する。
  論文  参考訳（メタデータ） (2025-02-21T13:41:38Z)
• 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)
• Automated Hit-frame Detection for Badminton Match Analysis [1.3300217947936062]
  本研究では,最新の深層学習技術を用いて,マッチビデオからヒットフレームを自動的に検出し,バドミントンにおけるスポーツ分析の進歩を目指す。 ヒットフレームに含まれるデータは、その後プレイヤーのストロークやコート上での動きを合成したり、トレーニングタスクの分析や競争戦略などの下流のアプリケーションに利用することができる。 本研究では,映像トリミングにおけるショットアングル認識の精度99%,シャトルコック飛行方向予測におけるキーポイントシーケンスの適用精度92%以上を達成し,ラリーワイドビデオトリミングとヒットフレーム検出の評価結果を報告した。
  論文  参考訳（メタデータ） (2023-07-29T15:01:27Z)
• 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)
• 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)
• A Graph-Based Method for Soccer Action Spotting Using Unsupervised Player Classification [75.93186954061943]
  アクションスポッティングには、ゲームのダイナミクス、イベントの複雑さ、ビデオシーケンスのバリエーションを理解することが含まれる。 本研究では, (a) 選手, 審判, ゴールキーパーをグラフのノードとして識別し, および (b) 時間的相互作用をグラフのシーケンスとしてモデル化することによって, 前者に焦点を当てる。 プレーヤ識別タスクでは,他のモダリティと組み合わせることで,平均mAPの57.83%の総合的な性能が得られる。
  論文  参考訳（メタデータ） (2022-11-22T15:23:53Z)
• P2ANet: A Dataset and Benchmark for Dense Action Detection from Table Tennis Match Broadcasting Videos [64.57435509822416]
  この作品は、ワールド・テーブルテニス選手権とオリンピアードのプロの卓球試合の放送ビデオから収集された2,721本のビデオクリップで構成されている。 強調局所化と強調認識という2つのアクション検出問題を定式化する。 その結果、TheNameは依然として困難なタスクであり、ビデオからの高密度なアクション検出のための特別なベンチマークとして使用できることを確認した。
  論文  参考訳（メタデータ） (2022-07-26T08:34:17Z)
• 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)
• TTNet: Real-time temporal and spatial video analysis of table tennis [5.156484100374058]
  本稿では,高精細度卓球ビデオのリアルタイム処理を目的としたニューラルネットワークを提案する。 このアプローチは、自動参照システムによるスコア更新を推論するためのコア情報を提供する。 イベントをラベル付けした120fpsのテーブルテニスゲームのビデオ付きマルチタスクデータセットOpenTTGamesを公開している。
  論文  参考訳（メタデータ） (2020-04-21T11:57:51Z)

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。