論文の概要: SVHighlights: Towards Extremely Long Sport Video Highlight Detection

• arxiv url: http://arxiv.org/abs/2606.06926v1
• Date: Fri, 05 Jun 2026 05:42:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.582717
• Title: SVHighlights: Towards Extremely Long Sport Video Highlight Detection
• Title（参考訳）: SVHighlights:超長時間のスポーツ映像のハイライト検出を目指す
• Authors: Donggyu Lee, Youngbin Ki, Jeonghun Kang, Taehwan Kim,
• Abstract要約: 非常に長いスポーツビデオにおけるハイライト検出のための最初のベンチマークであるSVHighlightsを紹介する。 ベンチマークは、平均2.00時間、合計640.18時間である320の動画で構成され、前回のデータセットをはるかに上回っている。 トレーニング不要なセグメントベースアプローチであるTF-SELECTORを提案する。
• 参考スコア（独自算出の注目度）: 13.468112362451093
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While highlight detection for long-form videos is of great practical importance, most existing methods remain limited to short-form content, largely due to the absence of a suitable benchmark. To bridge this gap, we introduce SVHighlights, to the best of our knowledge, the first benchmark for highlight detection in extremely long sports videos, each exceeding one hour in duration, across multiple sports categories. SVHighlights is constructed from pairs of full-length sports videos and their corresponding official highlight videos using a dataset generation pipeline, enabling scalable label generation without conventional per-clip saliency annotation. The benchmark comprises 320 videos with an average duration of 2.00 hours and a total of 640.18 hours, substantially exceeding previous datasets. Existing methods also face fundamental challenges on long videos: models trained on short clips fail to generalize to hour-long content, and their clip-level scoring lacks the broader context needed to identify highlights. To address this and provide a strong baseline, we present TF-SELECTOR, a training-free segment-based approach that divides each video into context-aware segments by merging adjacent shots sharing the same semantic content, and predicts segment-level saliency scores using a large language model with multimodal inputs including visual captions, transcripts, and audio volume. Experiments demonstrate that TF-SELECTOR achieves superior performance across most metrics compared to Video Temporal Grounding (VTG)-tuned baselines, with improvements of +3.12 in HIT@1, +4.06 in HIT@K, and +2.95 in IoU. These results establish SVHighlights as a challenging testbed for long-form highlight detection and demonstrate that a simple segment-based strategy can effectively scale to hour-long videos.
• Abstract（参考訳）: 長大なビデオのハイライト検出は極めて重要であるが、ほとんどの既存の手法は、適切なベンチマークがないため、短大なコンテンツに限られている。 このギャップを埋めるため、私たちはSVHighlightsを導入し、非常に長いスポーツビデオのハイライト検出のための最初のベンチマークを複数のスポーツカテゴリーで実施しました。 SVHighlightsは、データセット生成パイプラインを使用して、フル長のスポーツビデオと、それに対応する公式ハイライトビデオから構築されている。 ベンチマークは、平均2.00時間、合計640.18時間という320の動画で構成され、前回のデータセットをはるかに上回っている。 ショートクリップでトレーニングされたモデルは、1時間のコンテンツに一般化できず、クリップレベルのスコアリングはハイライトを特定するのに必要なより広いコンテキストを欠いている。 これと強力なベースラインを提供するために,TF-SELECTORを提案する。このTF-SELECTORは,各映像をコンテキスト認識セグメントに分割し,同一のセマンティックコンテンツを共有した隣接ショットをマージし,視覚キャプションや書き起こし,音声ボリュームなどのマルチモーダル入力を備えた大規模言語モデルを用いてセグメントレベルのサリエンシスコアを予測する。 実験により、TF-SELECTORはビデオ時間グラウンド(VTG)調整ベースラインに比べて、HIT@1では+3.12、HIT@Kでは+4.06、IoUでは+2.95に改善され、ほとんどの指標で優れた性能を発揮することが示された。 これらの結果はSVHighlightsを長期ハイライト検出のための挑戦的なテストベッドとして確立し、単純なセグメントベースの戦略が1時間ビデオに効果的にスケールできることを実証する。

関連論文リスト

• Unleashing Hour-Scale Video Training for Long Video-Language Understanding [61.717205915329664]
  本稿では,大規模な時間長ビデオインストラクション追従データセットであるVideoMarathonを紹介する。 このデータセットには、ビデオあたり3分から60分に及ぶ、さまざまなドメインからソースされた9,700時間の長いビデオが含まれている。 時間スケールビデオ言語モデリングのための高効率ビデオLMMであるHour-LLaVAを提案する。
  論文  参考訳（メタデータ） (2025-06-05T17:59:04Z)
• SAMA: Towards Multi-Turn Referential Grounded Video Chat with Large Language Models [93.73583158211115]
  ビデオにおけるきめ細かい時間的理解の獲得は、現在のビデオ大マルチモデル(ビデオLMM)にとって大きな課題である。 私たちは、データセット、モデル、ベンチマークの3つの中核的な側面に貢献しています。 まず,ビデオ理解,グラウンドニング,マルチターンビデオチャットの共用学習を実現するため、15Kビデオからなる大規模データセットであるSAMA-239Kを紹介する。 第2に,広義の時間的コンテキストアグリゲータとセグメンションモデルを組み合わせたSAMAモデルを提案する。
  論文  参考訳（メタデータ） (2025-05-24T18:13:16Z)
• LV-MAE: Learning Long Video Representations through Masked-Embedding Autoencoders [11.915744347526784]
  長ビデオマスク埋め込みオートエンコーダ(LV-MAE)を紹介する。 LV-MAEは長期表現のための自己教師型学習フレームワークである。 3つの長ビデオベンチマークで最先端の結果を得る。
  論文  参考訳（メタデータ） (2025-04-04T14:56:27Z)
• HLV-1K: A Large-scale Hour-Long Video Benchmark for Time-Specific Long Video Understanding [20.184894298462652]
  我々は、長時間ビデオ理解モデルを評価するために、大規模な時間長ビデオベンチマークHLV-1Kを構築した。 HLV-1Kは、高品質質問応答(QA)とマルチチョイス質問応答(MCQA)を備えた1009時間ビデオからなる。 我々は,既存の最先端手法を用いてベンチマークを評価し,様々なレベルでの深層ビデオ理解能力をテストすることの価値を実証した。
  論文  参考訳（メタデータ） (2025-01-03T05:32:37Z)
• Revisiting Kernel Temporal Segmentation as an Adaptive Tokenizer for Long-form Video Understanding [57.917616284917756]
  実世界のビデオは、しばしば数分間の長さであり、意味的に一貫した長さのセグメントがある。 長いビデオを処理するための一般的なアプローチは、一定時間の長さの一様にサンプリングされたクリップにショートフォームビデオモデルを適用することである。 このアプローチは、固定長のクリップがしばしば冗長または非形式的であるため、長いビデオの基本的な性質を無視する。
  論文  参考訳（メタデータ） (2023-09-20T18:13:32Z)

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。