論文の概要: MambaKick: Early Penalty Direction Prediction from HAR Embeddings
- arxiv url: http://arxiv.org/abs/2604.16588v1
- Date: Fri, 17 Apr 2026 15:33:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-21 21:52:52.094482
- Title: MambaKick: Early Penalty Direction Prediction from HAR Embeddings
- Title（参考訳）: MambaKick:HAR埋め込みによる早期の罰則予測
- Authors: Henry O. Velesaca, David Freire-Obregon, Abel Reyes-Angulo, Steven Araujo, Angel Sappa,
- Abstract要約: MambaKickは、ペナルティ方向予測のための学習ベースのフレームワークとして紹介されている。
ハーフ埋め込みは、接触中心の短いビデオセグメントから抽出される。
MambaKickは、強力な埋め込みベースラインを一貫して改善または一致させる。
- 参考スコア（独自算出の注目度）: 0.5382679710017696
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Penalty kicks in soccer are decided under extreme time constraints, where goalkeepers benefit from anticipating shot direction from the kickers motion before or around ball contact. In this paper, MambaKick is presented as a learning-based framework for penalty direction prediction that leverages pretrained human action recognition (HAR) embeddings extracted from contact-centered short video segments and combines them with a lightweight temporal predictor. Rather than relying on explicit kinematic reconstruction or handcrafted biomechanical features, the approach reuses transferable spatiotemporal representations and utilizes selective state-spare models (Mamba) for efficient sequence aggregation. Simple contextual metadata (e.g., field side and footedness) are also considered as complementary cues that may reduce ambiguity in real-world footage. Across a range of HAR backbones, MambaKick consistently improves or matches strong embedding baselines, achieving up to 53.1% accuracy for three classes and 64.5% for two classes under the proposed methodology. Overall, the results indicate that combining pretrained HAR representations with efficient state-space temporal modeling is a practical direction for low-latency intention prediction in real-world sports video. The code will be available at GitHub: https://github.com/hvelesaca/MambaKick/
- Abstract（参考訳）: サッカーのペナルティキックは極度の時間制限の下で決定され、ゴールキーパーはボール接触の前後でキック選手の動きからショットの方向を予測できる。
本稿では,コンタクト中心の短いビデオセグメントから抽出した事前学習された人間の行動認識(HAR)埋め込みを活用し,これらを軽量な時間的予測器と組み合わせた,ペナルティ指向予測のための学習ベースのフレームワークとして提示する。
この手法は、明示的な運動学的再構成や手作りの生体機械的特徴に頼るのではなく、伝達可能な時空間表現を再利用し、効率的なシーケンスアグリゲーションのために選択的な状態スペアモデル(Mamba)を利用する。
単純な文脈メタデータ(例えば、フィールド側と足場)も、現実の映像の曖昧さを軽減する補完的手がかりであると考えられている。
様々なHARバックボーンの中で、MambaKickは強力な埋め込みベースラインを改善し、最大53.1%の精度を3つのクラスで達成し、2つのクラスで64.5%の精度を実現している。
その結果,事前学習したHAR表現と効率的な状態空間時間モデルを組み合わせることは,実世界のスポーツビデオにおける低遅延意図予測の実践的方向であることが示唆された。
コードはGitHubで入手できる。 https://github.com/hvelesaca/MambaKick/
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) - Predicting Penalty Kick Direction Using Multi-Modal Deep Learning with Pose-Guided Attention [0.0]
本研究では,ボール接触前のペナルティキックの方向を予測するためのリアルタイム・マルチモーダル深層学習フレームワークを提案する。
755ペナルティキックイベントのカスタムデータセットは、実際のマッチビデオから作成され、オブジェクト検出、シューターキーポイント、ファイナルボール配置のためのフレームレベルのアノテーションが提供されている。
このモデルはホールドアウトテストセットで89%の精度を達成し、視覚のみのベースラインとポーズのみのベースラインを14-22%上回った。
論文 参考訳（メタデータ） (2025-09-30T11:02:59Z) - Mamba-OTR: a Mamba-based Solution for Online Take and Release Detection from Untrimmed Egocentric Video [57.805927523341516]
Mamba-OTRは、短いビデオクリップでトレーニングしながら、推論中に時間的再発を利用するように設計されている。
Mamba-OTRは、スライドウインドウ方式で動作する際に、注目すべきmp-mAP45.48を達成する。
我々は,今後の研究を支援するため,Mamba-OTRのソースコードを公開します。
論文 参考訳（メタデータ） (2025-07-22T08:23:51Z) - Predicting Soccer Penalty Kick Direction Using Human Action Recognition [4.620715958859347]
本研究は,手動でアノテートされたサッカーペナルティキックの新たなデータセットを提示し,プレキック選手の動きに基づくショット方向の予測を行う。
本稿では,HARに基づく特徴埋め込みとコンテキストメタデータを統合したディープラーニング分類器を提案する。
我々は、7つのアーキテクチャーファミリにまたがる24のバックボーンモデルを評価し、ショット方向の予測において最大63.9%の精度を達成した。
論文 参考訳（メタデータ） (2025-07-16T20:27:11Z) - FinePseudo: Improving Pseudo-Labelling through Temporal-Alignablity for Semi-Supervised Fine-Grained Action Recognition [57.17966905865054]
実生活における行動認識の応用は、しばしば微妙な動きのきめ細かい理解を必要とする。
既存の半教師ありアクション認識は主に粗いアクション認識に焦点を当てている。
そこで我々は,微粒なアクションペアの識別を効果的に行うための,アライナビリティ検証に基づくメトリック学習手法を提案する。
論文 参考訳（メタデータ） (2024-09-02T20:08:06Z) - Past Movements-Guided Motion Representation Learning for Human Motion Prediction [0.0]
動作表現の強化を目的とした自己教師型学習フレームワークを提案する。
フレームワークは、まず、過去のシーケンスの自己再構成を通じてネットワークを事前訓練し、過去の動きに基づく将来のシーケンスのガイド付き再構築を行う。
提案手法は,Human3.6,3DPW,AMASSデータセットの平均予測誤差を8.8%削減する。
論文 参考訳（メタデータ） (2024-08-04T17:00:37Z) - Classifying Soccer Ball-on-Goal Position Through Kicker Shooting Action [1.3887779684720984]
本研究は、シューターの蹴りを観察することで、サッカーフリーキック後のボールの方向を正確に予測できるかどうかを論じる。
我々のアプローチは、ヒューマンアクション認識(HAR)埋め込みとコンテキスト情報を統合するモデルを開発するためにニューラルネットワークを活用することである。
その結果,2つの主要なBoGPクラス(左右)を考える場合,69.1%の精度が得られた。
論文 参考訳（メタデータ） (2023-12-23T12:11:38Z) - Early Action Recognition with Action Prototypes [62.826125870298306]
本稿では,各クラスに対するフルアクションのプロトタイプ表現を学習する新しいモデルを提案する。
映像を短いクリップに分解し、視覚エンコーダがそれぞれのクリップから特徴を独立して抽出する。
その後、デコーダは、最終クラスの予測のために、すべてのクリップからオンラインのファッション機能として集約される。
論文 参考訳（メタデータ） (2023-12-11T18:31:13Z) - HumanMAC: Masked Motion Completion for Human Motion Prediction [62.279925754717674]
人間の動き予測はコンピュータビジョンとコンピュータグラフィックスの古典的な問題である。
従来の効果はエンコーディング・デコード方式に基づく経験的性能を実現している。
本稿では,新しい視点から新しい枠組みを提案する。
論文 参考訳（メタデータ） (2023-02-07T18:34:59Z) - Predicting MOOCs Dropout Using Only Two Easily Obtainable Features from
the First Week's Activities [56.1344233010643]
いくつかの特徴は、学習者の誘惑や興味の欠如に寄与すると考えられており、そのことが解脱や総減退につながる可能性がある。
この研究は、いくつかの機械学習アプローチを比較して、最初の1週間から早期のドロップアウトを予測することを目的としている。
論文 参考訳（メタデータ） (2020-08-12T10:44:49Z)
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。