論文の概要: Hand Held Multi-Object Tracking Dataset in American Football

• arxiv url: http://arxiv.org/abs/2511.09455v1
• Date: Thu, 13 Nov 2025 01:55:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-13 22:34:54.579225
• Title: Hand Held Multi-Object Tracking Dataset in American Football
• Title（参考訳）: アメリカンフットボールにおけるハンドヘルド多目的追跡データセット
• Authors: Rintaro Otsubo, Kanta Sawafuji, Hideo Saito,
• Abstract要約: マルチオブジェクトトラッキング(MOT)は、ビデオからプレイヤーの動作を分析する上で重要な役割を担い、パフォーマンス評価を可能にする。 現在のMOTメソッドは、しばしば公開データセットを使用して評価される。 標準化されたデータセットは公開されておらず、メソッドの比較が難しい。 以上の結果から,混み合ったシナリオにおいても正確な検出と追跡が可能であることが示された。
• 参考スコア（独自算出の注目度）: 9.92798361398834
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Multi-Object Tracking (MOT) plays a critical role in analyzing player behavior from videos, enabling performance evaluation. Current MOT methods are often evaluated using publicly available datasets. However, most of these focus on everyday scenarios such as pedestrian tracking or are tailored to specific sports, including soccer and basketball. Despite the inherent challenges of tracking players in American football, such as frequent occlusion and physical contact, no standardized dataset has been publicly available, making fair comparisons between methods difficult. To address this gap, we constructed the first dedicated detection and tracking dataset for the American football players and conducted a comparative evaluation of various detection and tracking methods. Our results demonstrate that accurate detection and tracking can be achieved even in crowded scenarios. Fine-tuning detection models improved performance over pre-trained models. Furthermore, when these fine-tuned detectors and re-identification models were integrated into tracking systems, we observed notable improvements in tracking accuracy compared to existing approaches. This work thus enables robust detection and tracking of American football players in challenging, high-density scenarios previously underserved by conventional methods.
• Abstract（参考訳）: マルチオブジェクトトラッキング(MOT)は、ビデオからプレイヤーの動作を分析する上で重要な役割を担い、パフォーマンス評価を可能にする。 現在のMOTメソッドは、しばしば公開データセットを使用して評価される。 しかし、これらの多くは、歩行者追跡のような日常的なシナリオに焦点を当てたり、サッカーやバスケットボールなど特定のスポーツに合わせている。 アメリカンフットボールにおける選手の追跡という固有の課題、例えば頻繁な閉塞や物理的接触にもかかわらず、標準化されたデータセットは公開されておらず、メソッド間の公正な比較が困難である。 このギャップに対処するため、アメリカンフットボール選手のための最初の専用検出・追跡データセットを構築し、様々な検出・追跡手法の比較評価を行った。 以上の結果から,混み合ったシナリオにおいても正確な検出と追跡が可能であることが示された。 微調整検出モデルは、事前訓練されたモデルよりも性能が向上した。 さらに、これらの微調整検出器と再同定モデルがトラッキングシステムに統合された場合、既存の手法と比較して追跡精度が顕著に向上した。 これにより、従来の方法で守られていた挑戦的で高密度なシナリオにおいて、アメリカのサッカー選手の堅牢な検出と追跡が可能になる。

関連論文リスト

• Iterative Scale-Up ExpansionIoU and Deep Features Association for Multi-Object Tracking in Sports [26.33239898091364]
  本稿では,スポーツシナリオに対するDeep ExpansionIoU (Deep-EIoU) という,オンラインかつ堅牢な多対象追跡手法を提案する。 従来の手法とは異なり、カルマンフィルタの使用を放棄し、スポーツシナリオにおける拡張IoUの反復的なスケールアップと深い特徴を活用して、ロバストなトラッキングを行う。 提案手法は,SportsMOTデータセットで77.2%,SportsNet-Trackingデータセットで85.4%を達成し,不規則な動き物体の追跡に顕著な効果を示した。
  論文  参考訳（メタデータ） (2023-06-22T17:47:08Z)
• QDTrack: Quasi-Dense Similarity Learning for Appearance-Only Multiple Object Tracking [73.52284039530261]
  本稿では,コントラスト学習のために,画像上に数百のオブジェクト領域を密集した擬似Dense類似性学習を提案する。 得られた特徴空間は、オブジェクトアソシエーションの推論時間において、単純な近接探索を許容する。 我々の類似性学習方式は,ビデオデータに限らず,静的入力でも有効なインスタンス類似性を学ぶことができることを示す。
  論文  参考訳（メタデータ） (2022-10-12T15:47:36Z)
• Observation Centric and Central Distance Recovery on Sports Player Tracking [24.396926939889532]
  本稿では,バスケットボール,サッカー,バレーボールを含む3つのスポーツを対象とした,モーションベースのトラッキングアルゴリズムと3つのポストプロセッシングパイプラインを提案する。 本手法は,2022年のSportsmotワークショップ最終リーダーボードで3位にランクインした73.968のHOTAを達成した。
  論文  参考訳（メタデータ） (2022-09-27T04:48:11Z)
• 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)
• Unified Transformer Tracker for Object Tracking [58.65901124158068]
  異なるシナリオにおけるトラッキング問題に1つのパラダイムで対処するために,UTT(Unified Transformer Tracker)を提案する。 SOT(Single Object Tracking)とMOT(Multiple Object Tracking)の両方を対象とするトラックトランスフォーマーを開発した。
  論文  参考訳（メタデータ） (2022-03-29T01:38:49Z)
• Probabilistic Tracklet Scoring and Inpainting for Multiple Object Tracking [83.75789829291475]
  本稿では,トラックレット提案の確率的自己回帰運動モデルを提案する。 これは、我々のモデルを訓練して、自然のトラックレットの基盤となる分布を学習することで達成される。 我々の実験は、挑戦的なシーケンスにおける物体の追跡におけるアプローチの優位性を実証している。
  論文  参考訳（メタデータ） (2020-12-03T23:59:27Z)
• Self-Supervised Small Soccer Player Detection and Tracking [8.851964372308801]
  最先端のトラッキングアルゴリズムは、トレーニングされたシナリオで印象的な結果を得るが、サッカーの試合のような挑戦的なシナリオでは失敗する。 これは、しばしばプレイヤーの相対的なサイズが小さく、同じチームのプレイヤーに類似しているためである。 そこで本研究では,低解像度のサッカー選手を異なる記録条件下で検出・追跡できる自己教師型パイプラインを提案する。
  論文  参考訳（メタデータ） (2020-11-20T10:57:18Z)
• TAO: A Large-Scale Benchmark for Tracking Any Object [95.87310116010185]
  オブジェクトのデータセットの追跡は2,907本の高解像度ビデオで構成され、平均で30分の長さの多様な環境でキャプチャされる。 ビデオの任意の時点で移動するオブジェクトにアノテータにラベルを付け、ファクトラムの後に名前を付けるように求めます。 我々の語彙は、既存の追跡データセットと著しく大きく、質的に異なる。
  論文  参考訳（メタデータ） (2020-05-20T21:07:28Z)

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。