論文の概要: PL-NBA: A Possession-level Universal Basketball Video Dataset Supporting Multiple Visual Understanding Tasks
- arxiv url: http://arxiv.org/abs/2608.19646v1
- Date: Thu, 20 Aug 2026 05:29:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-21 20:28:51.454218
- Title: PL-NBA: A Possession-level Universal Basketball Video Dataset Supporting Multiple Visual Understanding Tasks
- Title（参考訳）: PL-NBA: 複数の視覚的理解タスクをサポートする確率レベルのユニバーサルバスケットボールビデオデータセット
- Abstract要約: 本稿では,最初の所有レベルバスケットボールビデオデータセット(PL-NBA)を構築する。
PL-NBAには、11,000の有効な攻撃的所有クリップと31,567の注釈付きイベントがあり、プレイヤー名、キャプション、イベントタイプ、タイムスタンプがある。
イベント認識、ビデオキャプション、時間的行動のローカライゼーション、行動予測など、複数の視覚的理解タスクで実験を行う。
- 参考スコア（独自算出の注目度）: 53.77958773620005
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Visual understanding in sports has emerged as a hot topic in computer vision in recent years. Most existing basketball video datasets adopt single action or activity as sample, which can neither preserve the temporal continuity of game events nor support complex tasks such as action anticipation. To address this issue, this paper constructs the first possession-level basketball video dataset (PL-NBA), in which each sample is composed of a complete NBA offensive possession. Collected from 60 NBA games, PL-NBA contains 11,000 valid offensive possession clips and 31,567 annotated events with player names, captions, event types and timestamps. Each video clip includes multiple events and preserves the continuity of events, which is helpful for analysis of tactic. Experiment is conducted on multiple visual understanding tasks, including event recognition, video captioning, temporal action localization and action anticipation. Experimental results show that existing methods achieve limited performance on above four tasks, demonstrating that PL-NBA is a challenging benchmark for sports video understanding.
- Abstract（参考訳）: 近年,コンピュータビジョンの話題としてスポーツの視覚的理解が注目されている。
既存のバスケットボールビデオデータセットの多くは、単一のアクションやアクティビティをサンプルとして採用しており、ゲームイベントの時間的連続性を保存することも、アクション予測のような複雑なタスクをサポートすることもできない。
この問題に対処するために,本論文は,NBAの完全攻撃的所有物からなる,最初の所有レベルバスケットボールビデオデータセット(PL-NBA)を構築した。
60のNBAゲームから集められたPL-NBAには、11,000の有効な攻撃的所有クリップと31,567の注釈付きイベントがあり、選手名、キャプション、イベントタイプ、タイムスタンプがある。
各ビデオクリップには、複数のイベントが含まれ、イベントの連続性を保存する。
イベント認識、ビデオキャプション、時間的行動のローカライゼーション、行動予測など、複数の視覚的理解タスクで実験を行う。
実験の結果,既存の手法は4つ以上の課題において限られた性能を達成でき,PL-NBAはスポーツビデオ理解の難しいベンチマークであることが示された。
関連論文リスト
- Towards Comprehensive Basketball Understanding [46.9044032598676]
バスケットボールの理解には、イベントを認識し、アクションをローカライズし、プレイヤーを特定し、構造化されたゲーム知識と関連付ける必要がある。
BasketballBenchは、テキスト、画像、ビデオの10タスクにわたる7,980の質問からなるマルチモーダルベンチマークである。
バスケットボール特有の8つの認識・検索ツールを構成するエージェントであるBasketballSkillsを,ツールの順序,エビデンスバインディング,停止条件を指定する再利用可能な4つのスキルに基づいて提案する。
論文 参考訳（メタデータ） (2026-08-24T16:09:21Z) - NBA_Streaming: A Large-Scale Benchmark for Fine-Grained Basketball Commentary Generation in Continuous Streams [17.027730382985236]
我々はNBA_Streamingを紹介した。
NBA_Streamingには、307.5時間のバスケットボール放送と、約35Kのタイムアライメントイベントが含まれている。
球中心のセマンティックグラウンド化と完備化ファーストのローカライゼーションを組み合わせた因果2段階フレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-10T07:15:09Z) - BasketEvent: Understanding Who Did What and When in Basketball Videos [51.926771112716686]
NBAの実際の放送から算出した,選手中心のバスケットボールイベント理解データセットであるBasketEventを紹介した。
バスケットボールの動画をプレイヤーレベルのイベント予測にマッピングする,プレーヤー中心の推論フレームワークであるPlayNetを提案する。
私たちのデータ、コード、モデルは公開されます。
論文 参考訳（メタデータ） (2026-07-23T12:39:56Z) - See It Before You Grab It: Deep Learning-based Action Anticipation in Basketball [0.0]
この研究はバスケットボールの放送ビデオにおけるアクション予測のタスクを導入し、ショットトライ後にどのチームがボールを手に入れるかを予測することに重点を置いている。
このタスクをベンチマークするために、バスケットボールのビデオクリップ10万、ビデオ300時間以上、手動で注釈付けされたリバウンドイベント2,000以上からなる、新たなセルフカレーションデータセットが提示された。
バスケットボールのリバウンド予測に対するディープラーニング技術の最初の応用を示す,最先端のアクション予測手法を用いて,総合的ベースライン結果を報告する。
論文 参考訳（メタデータ） (2025-12-17T12:39:31Z) - Deep learning for action spotting in association football videos [64.10841325879996]
SoccerNetイニシアチブは毎年の課題を組織し、世界中の参加者が最先端のパフォーマンスを達成するために競う。
本稿では,スポーツにおけるアクションスポッティングの歴史を,2018年の課題の創出から,現在の研究・スポーツ産業における役割まで遡る。
論文 参考訳（メタデータ） (2024-10-02T07:56:15Z) - SkillMimic: Learning Basketball Interaction Skills from Demonstrations [85.23012579911378]
我々は、エージェントがインタラクションスキルを学習する方法を根本的に変える統合データ駆動フレームワークであるSkillMimicを紹介した。
私たちの重要な洞察は、統合されたHOI模倣報酬は、HOIデータセットから多様な相互作用パターンの本質を効果的に捉えることができるということです。
評価のために,約35分間のバスケットボールスキルを含む2つのバスケットボールデータセットを収集,導入した。
論文 参考訳（メタデータ） (2024-08-12T15:19:04Z) - Sports-QA: A Large-Scale Video Question Answering Benchmark for Complex and Professional Sports [104.40202007324633]
スポーツビデオQAタスク用に特別に設計された最初のデータセットであるSports-QAを紹介する。
Sports-QAデータセットには、説明、時系列、因果関係、反事実条件など、さまざまな種類の質問が含まれている。
質問応答のための時間的情報の特定の尺度に自動的にフォーカスできる新しいオートフォーカス変換器(AFT)を提案する。
論文 参考訳（メタデータ） (2024-01-03T02:22:34Z) - A Survey on Video Action Recognition in Sports: Datasets, Methods and
Applications [60.3327085463545]
本稿では,スポーツ分析のための映像行動認識に関する調査を行う。
サッカー、バスケットボール、バレーボール、ホッケー、フィギュアスケート、体操、卓球、ダイビング、バドミントンなど10種以上のスポーツを紹介します。
本研究では,サッカー,バスケットボール,卓球,フィギュアスケート動作認識をサポートするPaddlePaddleを用いたツールボックスを開発した。
論文 参考訳（メタデータ） (2022-06-02T13:19:36Z)
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。