Fugu-MT 論文翻訳(概要): FOOTPASS: A Multi-Modal Multi-Agent Tactical Context Dataset for Play-by-Play Action Spotting in Soccer Broadcast Videos

論文の概要: FOOTPASS: A Multi-Modal Multi-Agent Tactical Context Dataset for Play-by-Play Action Spotting in Soccer Broadcast Videos

arxiv url: http://arxiv.org/abs/2511.16183v1
Date: Thu, 20 Nov 2025 09:42:28 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-21 17:08:52.553116
Title: FOOTPASS: A Multi-Modal Multi-Agent Tactical Context Dataset for Play-by-Play Action Spotting in Soccer Broadcast Videos
Title（参考訳）: FOOTPASS:サッカー放送ビデオにおけるプレイバイプレイアクションスポッティングのためのマルチモーダルマルチエージェント戦術コンテキストデータセット
Authors: Jeremie Ochin, Raphael Chekroun, Bogdan Stanciulescu, Sotiris Manitsaris,
Abstract要約: サッカーデータセット(FOOTPASS)におけるFtertovision Play-by-Play Spot Actiontingを紹介する。これは、マルチエージェントの戦術的文脈において、サッカーの試合全体に対してプレーバイプレイのアクションスポッティングを行うための最初のベンチマークである。コンピュータビジョンタスクからの出力とサッカーの事前知識の両方を活用する、プレイヤー中心のアクションスポッティングの手法の開発を可能にする。
参考スコア（独自算出の注目度）: 1.264619835497501
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Soccer video understanding has motivated the creation of datasets for tasks such as temporal action localization, spatiotemporal action detection (STAD), or multiobject tracking (MOT). The annotation of structured sequences of events (who does what, when, and where) used for soccer analytics requires a holistic approach that integrates both STAD and MOT. However, current action recognition methods remain insufficient for constructing reliable play-by-play data and are typically used to assist rather than fully automate annotation. Parallel research has advanced tactical modeling, trajectory forecasting, and performance analysis, all grounded in game-state and play-by-play data. This motivates leveraging tactical knowledge as a prior to support computer-vision-based predictions, enabling more automated and reliable extraction of play-by-play data. We introduce Footovision Play-by-Play Action Spotting in Soccer Dataset (FOOTPASS), the first benchmark for play-by-play action spotting over entire soccer matches in a multi-modal, multi-agent tactical context. It enables the development of methods for player-centric action spotting that exploit both outputs from computer-vision tasks (e.g., tracking, identification) and prior knowledge of soccer, including its tactical regularities over long time horizons, to generate reliable play-by-play data streams. These streams form an essential input for data-driven sports analytics.
Abstract（参考訳）: サッカービデオ理解は、時間的行動ローカライゼーション、時空間行動検出(STAD)、多目的追跡(MOT)といったタスクのためのデータセットの作成を動機付けている。サッカー分析に使用されるイベントの構造化シーケンス(誰が何を、いつ、どこで、どこで行うか)のアノテーションは、STADとMOTの両方を統合する包括的なアプローチを必要とする。しかし、現在のアクション認識手法は、信頼性の高いプレイバイプレイデータを構築するには不十分であり、アノテーションを完全に自動化するのではなく、一般的にはアシストに使用される。並列研究は、ゲーム状態とプレイバイプレイのデータに基づいて、高度な戦術モデリング、軌道予測、パフォーマンス分析を行っている。これは、コンピュータビジョンベースの予測をサポートするために、戦術知識を事前として活用し、より自動化され、より信頼性の高いプレイバイプレイデータ抽出を可能にする。サッカーデータセットにおけるFlotovision Play-by-Play Action Spotting in Soccer Dataset (FOOTPASS)を紹介した。これは、コンピュータビジョンタスク(例えば、追跡、識別)からの出力と、長い時間的水平線上の戦術的規則性を含むサッカーの以前の知識の両方を利用して、信頼できるプレイバイプレイデータストリームを生成する、プレイヤー中心のアクションスポッティングの手法の開発を可能にする。これらのストリームは、データ駆動型スポーツ分析に不可欠な入力を形成する。

関連論文リスト

Hand Held Multi-Object Tracking Dataset in American Football [9.92798361398834]
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。
論文参考訳（メタデータ） (2025-11-12T16:15:18Z)
Velocity Completion Task and Method for Event-based Player Positional Data in Soccer [0.9002260638342727]
イベントベースの位置データは、速度などの重要な特性を計算するのに必要な連続的な時間情報を欠いている。本稿では,チームスポーツのイベントベース位置データのみを用いて,全てのエージェントの速度を同時に達成する手法を提案する。
論文参考訳（メタデータ） (2025-05-22T04:01:49Z)
Beyond Pixels: Leveraging the Language of Soccer to Improve Spatio-Temporal Action Detection in Broadcast Videos [1.4249472316161877]
最新の時間的行動検出手法は、放送ビデオからイベントを抽出する有望な結果を示す。多くの偽陽性は、より広範な行動列とゲーム状態情報を考慮することで解決できる。ゲームレベルでの推論と,デノナイジングシーケンスタスクの追加によるSTADの改善により,この問題に対処する。
論文参考訳（メタデータ） (2025-05-14T15:05:36Z)
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)
Deep learning for action spotting in association football videos [64.10841325879996]
SoccerNetイニシアチブは毎年の課題を組織し、世界中の参加者が最先端のパフォーマンスを達成するために競う。本稿では,スポーツにおけるアクションスポッティングの歴史を,2018年の課題の創出から,現在の研究・スポーツ産業における役割まで遡る。
論文参考訳（メタデータ） (2024-10-02T07:56:15Z)
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)
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)
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)
Temporally-Aware Feature Pooling for Action Spotting in Soccer Broadcasts [86.56462654572813]
私たちは、サッカーの試合の主なアクションを一時的にローカライズするサッカー放送におけるアクションスポッティングの分析に焦点を当てています。時間的知識を組み込んだNetVLAD++という,NetVLADに基づく新たな機能プーリング手法を提案する。我々は最近の大規模データセット SoccerNet-v2 の方法論をトレーニングし、評価し、アクションスポッティングのための平均平均mAP 53.4% に達した。
論文参考訳（メタデータ） (2021-04-14T11:09:03Z)

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。