論文の概要: Wide Open Gazes: Quantifying Visual Exploratory Behavior in Soccer with Pose Enhanced Positional Data
- arxiv url: http://arxiv.org/abs/2602.18519v1
- Date: Thu, 19 Feb 2026 20:17:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-24 17:42:02.129178
- Title: Wide Open Gazes: Quantifying Visual Exploratory Behavior in Soccer with Pose Enhanced Positional Data
- Title（参考訳）: 広視野視線:Pose Enhanced Positional Dataを用いたサッカーにおける視覚的探索行動の定量化
- Authors: Joris Bekkers,
- Abstract要約: サッカーにおける視覚的な探索行動を測定する従来のアプローチは、125/sを超える速い動きに基づいて、視覚的な探索行動(VEA)を数えることに頼っている。
本研究では、ポーズ強化トラッキングからプレイヤーの視覚知覚を定量化するための定式的連続視覚層を提案する。
我々は,2024コパ・アメリカにおける32種類の同期ポーズ強化追跡データとボールイベントデータを用いて,ブラブリング動作終了時の制御ピッチ値の予測を行った。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Traditional approaches to measuring visual exploratory behavior in soccer rely on counting visual exploratory actions (VEAs) based on rapid head movements exceeding 125°/s, but this method suffer from player position bias (i.e., a focus on central midfielders), annotation challenges, binary measurement constraints (i.e., a player is scanning, or not), lack the power to predict relevant short-term in-game future success, and are incompatible with fundamental soccer analytics models such as pitch control. This research introduces a novel formulaic continuous stochastic vision layer to quantify players' visual perception from pose-enhanced spatiotemporal tracking. Our probabilistic field-of-view and occlusion models incorporate head and shoulder rotation angles to create speed-dependent vision maps for individual players in a two-dimensional top-down plane. We combine these vision maps with pitch control and pitch value surfaces to analyze the awaiting phase (when a player is awaiting the ball to arrive after a pass for a teammate) and their subsequent on-ball phase. We demonstrate that aggregated visual metrics - such as the percentage of defended area observed while awaiting a pass - are predictive of controlled pitch value gained at the end of dribbling actions using 32 games of synchronized pose-enhanced tracking data and on-ball event data from the 2024 Copa America. This methodology works regardless of player position, eliminates manual annotation requirements, and provides continuous measurements that seamlessly integrate into existing soccer analytics frameworks. To further support the integration with existing soccer analytics frameworks we open-source the tools required to make these calculations.
- Abstract（参考訳）: サッカーにおける視覚的探索行動を測定する従来のアプローチは、125°/sを超える急激な頭の動きに基づく視覚的探索行動(VEA)を数えることに頼っていたが、この方法は、プレーヤーの位置バイアス(中央ミッドフィールダーに焦点をあてる)、アノテーションの課題、二値測定の制約(すなわち、プレーヤーがスキャンしているか、そうでないか)、関連する短期的なゲームにおける将来の成功を予測する能力が欠如しており、ピッチコントロールのような基本的なサッカー分析モデルと互換性がない。
本研究では、ポーズ強化時空間追跡からプレイヤーの視覚知覚を定量化するための、新しい定式的連続確率的視覚層を提案する。
本モデルでは頭部と肩の回転角を組み込んで,2次元トップダウン平面における各プレイヤーの速度依存性の視覚マップを作成する。
これらのビジョンマップとピッチ制御とピッチ値曲面を組み合わせることで、待機フェーズ(プレーヤーがチームメイトのためにパス後にボールが到着するのを待っている場合)とその後のオンボールフェーズを分析する。
我々は,2024コパ・アメリカにおける32試合の同時ポーズ強化追跡データとボールイベントデータを用いて,パスを待ちながら観測された防御領域の割合などの集合的視覚指標が,ドリブル動作の終了時に得られた制御ピッチ値を予測することを示した。
この方法論はプレイヤーの位置に関係なく機能し、手動のアノテーション要件を排除し、既存のサッカー分析フレームワークにシームレスに統合される継続的測定を提供する。
既存のサッカー分析フレームワークとの統合をさらにサポートするため、これらの計算に必要なツールをオープンソースにしています。
関連論文リスト
- SoccerMaster: A Vision Foundation Model for Soccer Understanding [50.88251190999469]
サッカーの理解は、最近、そのドメイン固有の複雑さとユニークな課題のために、研究の関心が高まっている。
本研究の目的は,微粒な知覚から意味論的推論に至るまで,多様なサッカー視覚理解タスクを扱う統一モデルを提案することである。
1つのフレームワーク内で多様な理解タスクを統一する、サッカー特有のビジョン基盤モデルである、サッカーマスターを提示する。
論文 参考訳（メタデータ） (2025-12-11T18:03:30Z) - 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) - 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) - Game State and Spatio-temporal Action Detection in Soccer using Graph Neural Networks and 3D Convolutional Networks [1.4249472316161877]
サッカーは2つのデータソースに依存している。
本稿では,学習したエンドツーエンドと最先端の3D CNNによる視覚的・ゲーム的状態分析を組み合わせた時間的行動検出手法を提案する。
論文 参考訳（メタデータ） (2025-02-21T13:41:38Z) - Passing Heatmap Prediction Based on Transformer Model and Tracking Data [0.0]
本研究では,パスの潜在的な終端位置を予測できる新しいディープラーニングネットワークアーキテクチャを提案する。
28,000回以上のイベントを解析すると、0.7以上のTop-1精度で堅牢な予測が達成される。
また、この予測に基づいて、ピッチコントロールとパスオプションをよりよく理解することで、選手のオフボール運動が防御性能に与える影響を測定することができる。
論文 参考訳（メタデータ） (2023-09-04T11:14:22Z) - Estimation of control area in badminton doubles with pose information
from top and back view drone videos [11.679451300997016]
我々はバドミントンダブルスでトップとバックビューから最初の注釈付きドローンデータセットを提示する。
チームワークのパフォーマンスを評価するために,制御領域の確率マップを推定するフレームワークを提案する。
論文 参考訳（メタデータ） (2023-05-07T11:18:39Z) - 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) - Learning Dynamics via Graph Neural Networks for Human Pose Estimation
and Tracking [98.91894395941766]
ポーズ検出とは無関係なポーズダイナミクスを学習する新しいオンライン手法を提案する。
具体的には、空間的・時間的情報と視覚的情報の両方を明示的に考慮したグラフニューラルネットワーク(GNN)を通して、このダイナミクスの予測を導出する。
PoseTrack 2017とPoseTrack 2018データセットの実験では、提案手法が人間のポーズ推定とトラッキングタスクの両方において、技術の現状よりも優れた結果が得られることを示した。
論文 参考訳（メタデータ） (2021-06-07T16:36:50Z) - Using Player's Body-Orientation to Model Pass Feasibility in Soccer [7.205450793637325]
本稿では,サッカーの試合のモノラルな映像から,任意の時間に最も実現可能なパスを推定する計算モデルを提案する。
この方法は、攻撃的な選手の方向(および位置)と相手の空間構成を利用して、同じチームの選手内でのパスイベントの実現可能性を計算する。
その結果、配向を実現可能性尺度として含めることで、ロバストな計算モデルを構築することができ、0.7 Top-3の精度に達することが示されている。
論文 参考訳（メタデータ） (2020-04-15T17:09:51Z)
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。