論文の概要: See It Before You Grab It: Deep Learning-based Action Anticipation in Basketball

• arxiv url: http://arxiv.org/abs/2512.15386v1
• Date: Wed, 17 Dec 2025 12:39:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-18 17:06:26.982206
• Title: See It Before You Grab It: Deep Learning-based Action Anticipation in Basketball
• Title（参考訳）: バスケットボールの深層学習に基づくアクション予測
• Authors: Arnau Barrera Roy, Albert Clapés Sintes,
• Abstract要約: この研究はバスケットボールの放送ビデオにおけるアクション予測のタスクを導入し、ショットトライ後にどのチームがボールを手に入れるかを予測することに重点を置いている。 このタスクをベンチマークするために、バスケットボールのビデオクリップ10万、ビデオ300時間以上、手動で注釈付けされたリバウンドイベント2,000以上からなる、新たなセルフカレーションデータセットが提示された。 バスケットボールのリバウンド予測に対するディープラーニング技術の最初の応用を示す,最先端のアクション予測手法を用いて,総合的ベースライン結果を報告する。
• 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: Computer vision and video understanding have transformed sports analytics by enabling large-scale, automated analysis of game dynamics from broadcast footage. Despite significant advances in player and ball tracking, pose estimation, action localization, and automatic foul recognition, anticipating actions before they occur in sports videos has received comparatively little attention. This work introduces the task of action anticipation in basketball broadcast videos, focusing on predicting which team will gain possession of the ball following a shot attempt. To benchmark this task, a new self-curated dataset comprising 100,000 basketball video clips, over 300 hours of footage, and more than 2,000 manually annotated rebound events is presented. Comprehensive baseline results are reported using state-of-the-art action anticipation methods, representing the first application of deep learning techniques to basketball rebound prediction. Additionally, two complementary tasks, rebound classification and rebound spotting, are explored, demonstrating that this dataset supports a wide range of video understanding applications in basketball, for which no comparable datasets currently exist. Experimental results highlight both the feasibility and inherent challenges of anticipating rebounds, providing valuable insights into predictive modeling for dynamic multi-agent sports scenarios. By forecasting team possession before rebounds occur, this work enables applications in real-time automated broadcasting and post-game analysis tools to support decision-making.
• Abstract（参考訳）: コンピュータビジョンとビデオ理解は、放送映像からゲームダイナミクスの大規模かつ自動分析を可能にすることで、スポーツ分析を変革した。 選手やボールの追跡、ポーズ推定、アクションローカライゼーション、自動ファウル認識などの進歩にもかかわらず、スポーツビデオに現れる前の行動を予測することは、比較的ほとんど注目されていない。 この研究はバスケットボールの放送ビデオにおけるアクション予測のタスクを導入し、ショットトライ後にどのチームがボールを手に入れるかを予測することに重点を置いている。 このタスクをベンチマークするために、バスケットボールのビデオクリップ10万、ビデオ300時間以上、手動で注釈付けされたリバウンドイベント2,000以上からなる、新たなセルフカレーションデータセットが提示された。 バスケットボールのリバウンド予測に対するディープラーニング技術の最初の応用を示す,最先端のアクション予測手法を用いて,総合的ベースライン結果を報告する。 さらに、リバウンド分類とリバウンドスポッティングという2つの補完的なタスクについて検討し、このデータセットがバスケットボールにおける幅広いビデオ理解アプリケーションをサポートすることを実証した。 実験結果は、リバウンドを予測できる可能性と固有の課題の両方を強調し、動的マルチエージェントスポーツシナリオの予測モデルに関する貴重な洞察を提供する。 リバウンドが発生する前にチームの所有を予測することにより、リアルタイムの自動放送やゲーム後分析ツールのアプリケーションが意思決定をサポートすることができる。

関連論文リスト

• CourtMotion: Learning Event-Driven Motion Representations from Skeletal Data for Basketball [45.88028371034407]
  CourtMotionはプロバスケットボールにおけるゲームイベントやプレーの分析と予測のためのテンポラリなモデリングフレームワークである。 2段階のアプローチでは、まず、グラフニューラルネットワークを通じて骨格追跡データを処理し、ニュアンスした動きパターンをキャプチャします。 選手の動きを、パス、ショット、ステルスなどのバスケットボールイベントに明示的に結びつけるイベントプロジェクションヘッドを導入し、物理的な動きパターンと目的を関連付けるためにモデルを訓練する。
  論文  参考訳（メタデータ） (2025-12-01T09:58:24Z)
• 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 Survey on Video Action Recognition in Sports: Datasets, Methods and Applications [60.3327085463545]
  本稿では,スポーツ分析のための映像行動認識に関する調査を行う。 サッカー、バスケットボール、バレーボール、ホッケー、フィギュアスケート、体操、卓球、ダイビング、バドミントンなど10種以上のスポーツを紹介します。 本研究では,サッカー,バスケットボール,卓球,フィギュアスケート動作認識をサポートするPaddlePaddleを用いたツールボックスを開発した。
  論文  参考訳（メタデータ） (2022-06-02T13:19:36Z)
• Sports Video: Fine-Grained Action Detection and Classification of Table Tennis Strokes from Videos for MediaEval 2021 [0.0]
  このタスクは、ビデオからのきめ細かいアクション検出と分類に取り組む。 主に卓球の試合の記録に焦点が当てられている。 本研究は,スポーツのパフォーマンスを解析するために,スポーツコーチや選手のためのツールを作成することを目的としている。
  論文  参考訳（メタデータ） (2021-12-16T10:17:59Z)
• A New Action Recognition Framework for Video Highlights Summarization in Sporting Events [9.870478438166288]
  YOLO-v3とOpenPoseという2つの古典的オープンソース構造に基づく3レベル予測アルゴリズムを用いて,スポーツビデオストリームを自動的にクリップするフレームワークを提案する。 その結果,スポーツ映像のトレーニングデータを用いて,スポーツ活動のハイライトを正確に行うことができることがわかった。
  論文  参考訳（メタデータ） (2020-12-01T04:14:40Z)

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。