Fugu-MT 論文翻訳(概要): SMART: SMPLest-X Mesh Adaptation and RAFT Tracking for Soccer Pose Estimation

論文の概要: SMART: SMPLest-X Mesh Adaptation and RAFT Tracking for Soccer Pose Estimation

arxiv url: http://arxiv.org/abs/2605.31551v1
Date: Fri, 29 May 2026 17:12:34 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-01 20:56:50.76573
Title: SMART: SMPLest-X Mesh Adaptation and RAFT Tracking for Soccer Pose Estimation
Title（参考訳）: SMART: SMPLest-X Mesh Adaptation and RAFT Tracking for Soccer Pose Estimation
Abstract要約: FIFA骨格追跡チャレンジ2026では、サッカー選手の3D世界空間のポーズを放送ビデオから推定する必要がある。 SMPLest-Xは, 階層化クリップ分割, マルチタスク深度監視, 放送増幅によって微細化される。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present our approach to the FIFA Skeletal Tracking Challenge 2026, which requires estimating 3D world-space poses of soccer players from broadcast video. Our method finetunes SMPLest-X (ViT-H, 687 M parameters) via a stratified clip split, multi-task depth supervision, and broadcast augmentation, paired with a RAFT dense optical flow camera tracker, foot-plane anchoring, and two-pass temporal smoothing. Against the FIFA baseline score of 1.053 on the validation set, SMART achieves 0.647, a 38.6% improvement; on the held-out test set, SMART scores 0.593 (Global MPJPE: 0.324 m, Local MPJPE: 0.054 m).
Abstract（参考訳）: 我々は,サッカー選手の3Dワールドスペースポーズを放送映像から推定するFIFA骨格追跡チャレンジ2026に,我々のアプローチを提示する。提案手法は,RAFT高密度光フローカメラトラッカー,フットプレーンアンカー,および2パス時間スムースメントと組み合わせた,階層化クリップ分割,マルチタスク深度監視,放送増幅によりSMPLest-X(ViT-H, 687Mパラメータ)を微調整する。検証セットのFIFAベースラインスコア1.053に対して、SMARTは0.647、38.6%の改善を達成し、ホールトアウトテストセットでは0.593(Global MPJPE:0.324m、ローカルMPJPE:0.054m)を記録した。

関連論文リスト

Solution for UCF UrbanTwin LUMPI Track: Sim-to-Real Urban LiDAR 3D Object Detection [54.03436243843709]
UCF UrbanTwin Sim2Real LiDAR Challenge at the 6th DriveX Workshop, ECCV 2026。検出器は合成データのみに基づいて訓練され、50個の実LiDARフレームで評価される。ポイントクラウドリアリズムに対して、別の50フレームの合成提案が評価される。
論文参考訳（メタデータ） (2026-09-07T15:03:36Z)
MuyBridge: Mobile Human Center-of-Mass Estimation from Monocular Video via Sparse Fusion [14.44079161740663]
質量の中心 (CoM) は, スポーツ, リハビリテーション, 臨床運動の生体力学的解析において重要な量である。 MuyBridgeはオンデバイスシステムで、1台の携帯電話カメラのビデオストリームからアスリートのマストラジェクトリーのセグメンショナルセンターを推定する。
論文参考訳（メタデータ） (2026-09-02T17:38:36Z)
SoccerNet 2026 Player-Centric Ball-Action Spotting:Retraining and Post-Processing Extensions to the FOOTPASS Baselines [0.0]
SoccerNet 2026 Player-Centric Ball-Action Spotting Challengeでは、どのアクションを実行するか、放送されたサッカーの8つのクラスにまたがるタイミングを予測する必要がある。テストセットで0.548 Macro F1、チャレンジセットで0.446を達成する(サーバ評価)。
論文参考訳（メタデータ） (2026-06-08T15:59:56Z)
The MICCAI Federated Tumor Segmentation (FeTS) Challenge 2024: Efficient and Robust Aggregation Methods for Federated Learning [9.202327404631289]
われわれはMICCAI Federated tumor (FeTS) Challenge 2024の設計と結果について報告する。多パラメータMRIにおけるグリオーマサブ領域セグメンテーションのためのフェデレートラーニングに焦点を当てた。 PID制御器を用いた手法が総合ランキングで上位となった。
論文参考訳（メタデータ） (2025-12-05T22:59:57Z)
Slow - Motion Video Synthesis for Basketball Using Frame Interpolation [0.0]
バスケットボールの放送映像は伝統的に30-60fpsで撮影され、ダンクやクロスオーバーのような急激な演奏を視聴者が鑑賞する能力を制限する。本稿では,高品質なバスケットボール特有の補間フレームをリアルタイムに生成するスローモーション合成システムを提案する。提案手法は,Pak Signal-to-Noise Ratio (PSNR) とStructure similarity (SSIM) を用いて,Super SloMoとベースラインRIFEモデルと比較する。
論文参考訳（メタデータ） (2025-11-10T02:58:59Z)
Concurrent validity of computer-vision artificial intelligence player tracking software using broadcast footage [0.7115591863976217]
2022年のカタール・フェデレーション・インターナショナル・デ・フットボール・アソシエーション(FIFA)ワールドカップで1試合に出場した。コンピュータビジョンとAIを使用する3つの商用追跡プロバイダが参加した。データは高解像度マルチカメラ追跡システムと比較された。
論文参考訳（メタデータ） (2025-08-26T23:40:23Z)
WorldPose: A World Cup Dataset for Global 3D Human Pose Estimation [67.28831601491447]
WorldPoseは、野生における多人数のグローバルポーズ推定の研究を進めるための、新しいデータセットである。我々はHDカメラの静的多視点設定を利用して、前例のない精度で3Dプレーヤーのポーズと動きを復元する。得られたデータセットは80以上のシークエンスで構成され、約2.5万の3Dポーズと総走行距離は120km以上である。
論文参考訳（メタデータ） (2025-01-06T05:24:38Z)
Deep HM-SORT: Enhancing Multi-Object Tracking in Sports with Deep Features, Harmonic Mean, and Expansion IOU [0.49998148477760973]
Deep HM-SORTは、新しいオンライン多目的追跡アルゴリズムである。外観と動きのバランスを保ち、IDスワップを著しく減少させる。 2つの大規模公開ベンチマークで最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2024-06-17T20:41:14Z)
The Ninth NTIRE 2024 Efficient Super-Resolution Challenge Report [180.94772271910315]
本稿は,NTIRE 2024の課題を概観し,効率的な単一画像超解像(ESR)ソリューションに焦点をあてる。主な目的は、ランタイム、パラメータ、FLOPなどの様々な側面を最適化するネットワークを開発することである。このチャレンジには262人の登録参加者が参加し、34チームが有効な応募を行った。
論文参考訳（メタデータ） (2024-04-16T07:26:20Z)
SoccerNet 2023 Tracking Challenge -- 3rd place MOT4MOT Team Technical Report [0.552480439325792]
SoccerNet 2023の追跡課題は、サッカー選手とボールの検出と追跡を必要とする。我々は、現在最先端のオンラインマルチオブジェクトトラッカーと、現代のオブジェクト検出装置をプレイヤー追跡に使用しています。提案手法は, HOTAスコア66.27で, SoccerNet 2023の3位を獲得した。
論文参考訳（メタデータ） (2023-08-31T11:51:16Z)
EATFormer: Improving Vision Transformer Inspired by Evolutionary Algorithm [111.17100512647619]
本稿では、実証された実用的な進化的アルゴリズム(EA)と類似したビジョントランスフォーマーの合理性を説明する。本稿では,EA ベースのトランス (EAT) ブロックのみを含む新しいピラミッド EATFormer バックボーンを提案する。画像分類,下流タスク,説明実験に関する大規模かつ定量的な実験は,我々のアプローチの有効性と優位性を示すものである。
論文参考訳（メタデータ） (2022-06-19T04:49:35Z)
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)
Dense Scene Multiple Object Tracking with Box-Plane Matching [73.54369833671772]
マルチオブジェクトトラッキング(MOT)はコンピュータビジョンにおいて重要なタスクである。密集したシーンにおけるMOT性能を改善するために,Box-Plane Matching (BPM)法を提案する。 3つのモジュールの有効性により、ACM MM Grand Challenge HiEve 2020において、私たちのチームはトラック1のリーダーボードで1位を獲得しました。
論文参考訳（メタデータ） (2020-07-30T16:39:22Z)

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。