論文の概要: A Computer Vision Framework for Multi-Class Detection and Tracking in Soccer Broadcast Footage
- arxiv url: http://arxiv.org/abs/2602.18504v1
- Date: Tue, 17 Feb 2026 21:44:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-24 17:42:02.10987
- Title: A Computer Vision Framework for Multi-Class Detection and Tracking in Soccer Broadcast Footage
- Title（参考訳）: サッカー放送映像における複数クラス検出・追跡のためのコンピュータビジョンフレームワーク
- Authors: Daniel Tshiani,
- Abstract要約: 本稿では、単一カメラ・コンピュータビジョン・パイプラインを用いて、標準放送映像から直接、そのようなデータを抽出できるかどうかを検討する。
本プロジェクトでは, YOLOオブジェクト検出器とByteTrackトラッキングアルゴリズムを組み合わせて, 試合中, 選手, 審判, ゴールキーパー, ボールを識別・追跡するエンド・ツー・エンドシステムの開発を行う。
実験結果から,このパイプラインは選手や役人の検出・追跡において高い精度,リコール,mAP50スコアが得られた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Clubs with access to expensive multi-camera setups or GPS tracking systems gain a competitive advantage through detailed data, whereas lower-budget teams are often unable to collect similar information. This paper examines whether such data can instead be extracted directly from standard broadcast footage using a single-camera computer vision pipeline. This project develops an end-to-end system that combines a YOLO object detector with the ByteTrack tracking algorithm to identify and track players, referees, goalkeepers, and the ball throughout a match. Experimental results show that the pipeline achieves high performance in detecting and tracking players and officials, with strong precision, recall, and mAP50 scores, while ball detection remains the primary challenge. Despite this limitation, our findings demonstrate that AI can extract meaningful player-level spatial information from a single broadcast camera. By reducing reliance on specialized hardware, the proposed approach enables colleges, academies, and amateur clubs to adopt scalable, data-driven analysis methods previously accessible only to professional teams, highlighting the potential for affordable computer vision-based soccer analytics.
- Abstract（参考訳）: 高価なマルチカメラやGPS追跡システムにアクセスするクラブは詳細なデータを通じて競争上の優位性を得るが、低予算のチームは同様の情報を収集できないことが多い。
本稿では、単一カメラ・コンピュータビジョン・パイプラインを用いて、標準放送映像から直接、そのようなデータを抽出できるかどうかを検討する。
本プロジェクトでは, YOLOオブジェクト検出器とByteTrackトラッキングアルゴリズムを組み合わせて, 試合中, 選手, 審判, ゴールキーパー, ボールを識別・追跡するエンド・ツー・エンドシステムの開発を行う。
実験結果から,このパイプラインは選手や役人の検出・追跡において高い精度,リコール,mAP50スコアが得られた。
この制限にもかかわらず、我々はAIが単一の放送カメラから意味のあるプレイヤーレベルの空間情報を抽出できることを実証した。
特殊なハードウェアへの依存を減らすことで、提案されたアプローチにより、大学、アカデミー、アマチュアクラブは、以前プロチームのみがアクセス可能なスケーラブルでデータ駆動分析手法を採用することができ、安価なコンピュータビジョンベースのサッカー分析の可能性を強調している。
関連論文リスト
- SoccerNet 2025 Challenges Results [205.71032061537747]
SoccerNet 2025 Challengesは、サッカービデオ理解におけるコンピュータビジョン研究の進歩に特化した、サッカーネットオープンな取り組みの第5回年次大会である。
今年の課題は、Team Ball Action Spotting、Monocular Depth Estimation、Multi-View Foul Recognition、Game State Reconstructionの4つのビジョンベースのタスクにまたがる。
レポートは、各課題の結果を示し、最高パフォーマンスのソリューションを強調し、コミュニティが達成した進歩に関する洞察を提供する。
論文 参考訳（メタデータ） (2025-08-26T16:37:07Z) - Continuous football player tracking from discrete broadcast data [0.6144680854063939]
本稿では,放送映像から得られた離散データから連続した全ピッチ追跡データを推定する手法を提案する。
このようなデータは、クラブやプレーヤーがイベントデータと同じようなコストで収集することができる。
論文 参考訳（メタデータ） (2023-11-24T18:16:28Z) - SpikeMOT: Event-based Multi-Object Tracking with Sparse Motion Features [52.213656737672935]
SpikeMOTはイベントベースのマルチオブジェクトトラッカーである。
SpikeMOTはスパイクニューラルネットワークを使用して、オブジェクトに関連するイベントストリームからスパーステンポラルな特徴を抽出する。
論文 参考訳（メタデータ） (2023-09-29T05:13:43Z) - Design and Implementation of A Soccer Ball Detection System with
Multiple Cameras [15.399112952297335]
本稿では,複数台のカメラでリアルタイムにターゲットを検知・捕捉するためのサッカー検出システムの設計と実装を行った。
主な作業は、サッカー検知器、単一カメラ検出、マルチカメラ検出という3つの部分で構成されている。
システムをテストすることで、システムは3Dで動くターゲットを正確に検出し、捉えることができる。
論文 参考訳（メタデータ） (2023-01-31T22:04:53Z) - Unifying Tracking and Image-Video Object Detection [54.91658924277527]
TrIVD (Tracking and Image-Video Detection) は、画像OD、ビデオOD、MOTを1つのエンドツーエンドモデルに統合する最初のフレームワークである。
カテゴリラベルの相違やセマンティックな重複に対処するため、TrIVDは対象カテゴリに対する検出/追跡を基礎と理由として定式化している。
論文 参考訳（メタデータ） (2022-11-20T20:30:28Z) - Graph-Based Multi-Camera Soccer Player Tracker [1.6244541005112743]
本稿では,サッカー場周辺に設置した複数のキャリブレーションカメラから,長撮影映像記録におけるサッカー選手の追跡を目的としたマルチカメラ追跡手法を提案する。
カメラとの距離が大きいため、個々のプレイヤーを視覚的に区別することは困難であり、従来のソリューションの性能に悪影響を及ぼす。
本手法は,各プレイヤーのダイナミクスと周辺プレイヤー間の相互作用に着目し,トラッキング性能の向上を図る。
論文 参考訳（メタデータ） (2022-11-03T20:01:48Z) - Scalable and Real-time Multi-Camera Vehicle Detection,
Re-Identification, and Tracking [58.95210121654722]
理想化されたビデオストリームやキュレートされたビデオストリームの代わりに,リアルタイムで低解像度のCCTVを処理する,リアルタイムな都市規模のマルチカメラ車両追跡システムを提案する。
私たちの手法は、公共のリーダーボードで上位5人のパフォーマーにランク付けされています。
論文 参考訳（メタデータ） (2022-04-15T12:47:01Z) - 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) - 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) - Detection and Tracking Meet Drones Challenge [131.31749447313197]
本稿では、オブジェクト検出・追跡データセットとベンチマークのレビューを行い、手動アノテーションによる大規模ドローンによるオブジェクト検出・追跡データセットの収集の課題について論じる。
当社のVisDroneデータセットは、中国北部から南部にかけての14の都市部と郊外部で収集されたものです。
本稿では,ドローンにおける大規模物体検出・追跡の現場の現状を詳細に分析し,今後の方向性を提案するとともに,課題を結論づける。
論文 参考訳（メタデータ） (2020-01-16T00:11:56Z)
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。