論文の概要: BoxMind: Closed-loop AI strategy optimization for elite boxing validated in the 2024 Olympics
- arxiv url: http://arxiv.org/abs/2601.11492v1
- Date: Fri, 16 Jan 2026 18:14:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-19 20:21:50.595636
- Title: BoxMind: Closed-loop AI strategy optimization for elite boxing validated in the 2024 Olympics
- Title（参考訳）: BoxMind:2024年のオリンピックで検証されたエリートボクシングのためのクローズループAI戦略最適化
- Authors: Kaiwen Wang, Kaili Zheng, Rongrong Deng, Qingmin Fan, Milin Zhang, Zongrui Li, Xuesi Zhou, Bo Han, Liren Chen, Chenyi Guo, Ji Wu,
- Abstract要約: BoxMindは、エリートボクシングコンペティションで検証されたクローズループAIエキスパートシステムである。
BoxMindは、2024年のパリオリンピックの閉ループ展開を通じて検証されている。
- 参考スコア（独自算出の注目度）: 25.895403161230515
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Competitive sports require sophisticated tactical analysis, yet combat disciplines like boxing remain underdeveloped in AI-driven analytics due to the complexity of action dynamics and the lack of structured tactical representations. To address this, we present BoxMind, a closed-loop AI expert system validated in elite boxing competition. By defining atomic punch events with precise temporal boundaries and spatial and technical attributes, we parse match footage into 18 hierarchical technical-tactical indicators. We then propose a graph-based predictive model that fuses these explicit technical-tactical profiles with learnable, time-variant latent embeddings to capture the dynamics of boxer matchups. Modeling match outcome as a differentiable function of technical-tactical indicators, we turn winning probability gradients into executable tactical adjustments. Experiments show that the outcome prediction model achieves state-of-the-art performance, with 69.8% accuracy on BoxerGraph test set and 87.5% on Olympic matches. Using this predictive model as a foundation, the system generates strategic recommendations that demonstrate proficiency comparable to human experts. BoxMind is validated through a closed-loop deployment during the 2024 Paris Olympics, directly contributing to the Chinese National Team's historic achievement of three gold and two silver medals. BoxMind establishes a replicable paradigm for transforming unstructured video data into strategic intelligence, bridging the gap between computer vision and decision support in competitive sports.
- Abstract（参考訳）: 競争的なスポーツは高度な戦術分析を必要とするが、アクションダイナミクスの複雑さと構造化された戦術表現の欠如により、ボクシングのような戦闘の規律はAIによる分析では未発達のままである。
これを解決するために、エリートボクシング競技で検証されたクローズドループAIエキスパートシステムであるBoxMindを紹介する。
正確な時間的境界と空間的および技術的特性を持ったアトミックパンチイベントを定義することにより、マッチング映像を18の階層的技術的戦術的指標に解析する。
次に、これらの明示的な技術的戦術プロファイルを学習可能な時間変化型潜伏埋め込みと融合させて、ボクサーマッチングのダイナミクスを捉えるグラフベースの予測モデルを提案する。
技術・戦術指標の微分可能な関数としてのマッチング結果をモデル化し、勝利確率勾配を実行可能な戦術調整に変換する。
実験の結果、結果予測モデルは最先端のパフォーマンスを達成し、BoxerGraphのテストセットでは69.8%、オリンピックでは87.5%の精度で達成されている。
この予測モデルを基礎として、システムは人間の専門家に匹敵する熟練度を示す戦略的レコメンデーションを生成する。
ボックスミンドは、2024年パリオリンピックの閉ループ配備を通じて検証され、中国ナショナルチームによる3つの金メダルと2つの銀メダルの歴史的功績に直接貢献している。
BoxMindは、構造化されていないビデオデータを戦略的インテリジェンスに変換するためのレプリカ可能なパラダイムを確立し、コンピュータビジョンと競争スポーツにおける意思決定サポートのギャップを埋める。
関連論文リスト
- BoxingVI: A Multi-Modal Benchmark for Boxing Action Recognition and Localization [1.623267727687624]
ボクシングにおけるパンチ検出と分類に適した、包括的でよく注釈付けされたビデオデータセットを提案する。
データセットは、6つの異なるパンチタイプに分類される6,915個の高品質なパンチクリップで構成されている。
この貢献は、ボクシングと関連ドメインにおける運動分析、自動コーチング、パフォーマンスアセスメントの進展を加速することを目的としている。
論文 参考訳（メタデータ） (2025-11-20T16:37:07Z) - LM Fight Arena: Benchmarking Large Multimodal Models via Game Competition [104.81487689011341]
本稿では,Mortal Kombat IIにおける大規模マルチモーダルモデルを評価する新しいフレームワークであるLM Fight Arenaを紹介する。
静的評価とは異なり、LM Fight Arenaは完全に自動化され、再現可能で、LMMの戦略的推論能力の客観的評価を提供する。
論文 参考訳（メタデータ） (2025-10-10T02:19:21Z) - BoxMAC -- A Boxing Dataset for Multi-label Action Classification [0.0]
BoxMACは15のプロボクサーと13のアクションラベルを備えた現実世界のボクシングデータセットである。
本稿では,画像とビデオの両方において,複数の動作を共同認識するための新しいアーキテクチャを提案する。
BoxMACはスポーツとしてのボクシングの発展のための貴重な資源として機能する。
論文 参考訳（メタデータ） (2024-12-24T06:20:01Z) - 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) - ViSTec: Video Modeling for Sports Technique Recognition and Tactical
Analysis [19.945083591851517]
ViSTecは、人間の認知にインスパイアされたビデオベースのスポーツ技術認識モデルである。
提案手法は,ストロークシーケンスにおける戦略的知識を明示的にモデル化するグラフを統合し,文脈的帰納バイアスによる技術認識を強化する。
中国の卓球チームの専門家によるケーススタディは、分析を自動化するモデルの能力を検証する。
論文 参考訳（メタデータ） (2024-02-25T02:04:56Z) - CompeteSMoE -- Effective Training of Sparse Mixture of Experts via
Competition [52.2034494666179]
スパース・ミックス・オブ・エキスパート(SMoE)は、ネットワークの深さや幅を増大させる平均を超えた、モデルの複雑さをスケールアップする魅力的なソリューションを提供する。
本稿では,この表現崩壊の根本的な課題に対処する競合機構を提案する。
入力を最も高い神経応答を持つ専門家にのみルーティングすることにより、コンペティションが最適推定器と同じ収束率を持つことを示す。
論文 参考訳（メタデータ） (2024-02-04T15:17:09Z) - Nash Equilibria and Pitfalls of Adversarial Training in Adversarial
Robustness Games [51.90475640044073]
本研究では,2プレイヤゼロサムゲームにおける最適応答戦略の交互化として,対戦訓練について検討する。
一方、ゲームのユニークな純粋なナッシュ均衡が存在し、確実に堅牢である。
論文 参考訳（メタデータ） (2022-10-23T03:21:01Z) - Adversarial training may be a double-edged sword [50.09831237090801]
深層ネットワークの決定境界における敵対的トレーニングの幾らかの幾何学的結果が、ある種のブラックボックス攻撃のエッジとなることを示す。
特に、敵の訓練がホワイトボックスシナリオのロバスト性を大幅に改善する効果的な方法であることを示すために、ロバストネスゲインと呼ばれる指標を定義するが、より現実的な意思決定ベースのブラックボックス攻撃に対して、そのようなロバストネスゲインを提供することはできない。
論文 参考訳（メタデータ） (2021-07-24T19:09:16Z) - L2E: Learning to Exploit Your Opponent [66.66334543946672]
本稿では,暗黙的対向モデリングのための新しい学習フレームワークを提案する。
L2Eは、トレーニング中に異なる相手との対話によって、相手を悪用する能力を取得する。
本稿では, 対戦相手を自動的に生成する新しい対戦相手戦略生成アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-02-18T14:27:59Z)
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。