論文の概要: How Much Velocity Does Off-Ball Space Value Need? A Broadcast-Viewport Benchmark
- arxiv url: http://arxiv.org/abs/2609.10801v1
- Date: Wed, 09 Sep 2026 20:10:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 23:53:35.133959
- Title: How Much Velocity Does Off-Ball Space Value Need? A Broadcast-Viewport Benchmark
- Title（参考訳）: オフ・ボール・スペースの価値はどのくらい必要か? 放送視聴ベンチマーク
- Abstract要約: 速度対応のピッチコントロールは標準だが、ブロードキャストビューポートではプレイヤーの半分がオフスクリーンである。
球面外解析速度の層がどの層に変化するかを問う。
速度を意識した地上の真実に対して,計算,制御面,チームの評価という3つのレイヤで4つの速度レギュレーションをスコア付けする。
- 参考スコア（独自算出の注目度）: 0.9185901163605424
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Velocity-aware pitch control is standard, but under a broadcast viewport half the players are off screen and on-screen velocities come from a drifting calibration. We ask at which layer of broadcast off-ball analysis velocity changes the answer. Inheriting our off-screen imputation protocol (three Metrica matches, 44 m viewport, block-bootstrap CIs), we score four velocity regimes -- none, viewport-legal observed, true-for-visible, true-for-all -- against a velocity-aware ground truth at three layers: imputation, the control surface, and team verdicts. Velocity is nearly useless for imputation (-0.2 pp against a 12--14 pp velocity-free surface MAE), first-order for the surface (-1.5 to -1.8 pp, 11--15% of that MAE), and ten times smaller for verdicts (-0.12 to -0.19 pp). The velocity that matters is the visible channel: perfect occluded-player velocity adds 2--6% of the visible gain, and no last-seen decay policy we tested exceeds that. Omitting velocity blurs the surface (per-frame |e| 2.2--2.6 pp) with small time-averaged bias (per cell <=0.4 pp), whereas imputation error is a structured bias against the defending team's deep zone (5--9 pp). At a fixed velocity window, a noise ladder of eleven jitter settings, including sigma_v-matched pairs, is ordered to first order by one velocity-noise axis sigma_v with break-even ~1 m/s; eleven SoccerNet-GSR clips from one match through our pipeline measure sigma_v=1.65 m/s yet recover 24--36% of the benefit: 43% of the variance is frame-common, which the surface tolerates, and the residual is heavy-tailed and clustered, which Gaussian controls matched on component RMS do not reproduce (+0.03 vs. +0.36). The share of velocity-free error that velocity removes grows with viewport width (7% at 36 m, 21% at 60 m): fix imputation on tight shots, velocity on wide ones. Code and logs are released.
- Abstract（参考訳）: 速度対応のピッチコントロールは標準だが、ブロードキャストビューポートではプレイヤーの半分がオフスクリーンで、画面上の速度はドリフトキャリブレーションによる。
球面外解析速度の層がどの層に変化するかを問う。
オフスクリーンのインプットプロトコル(3つのMetricaマッチ、44mのビューポート、ブロックブートストラップCI)を継承し、インプット、コントロールサーフェス、チーム評定という3つのレイヤで、ベロシティを意識した真実に対して、4つのベロシティレシ – まったく、ビューポート法則、真の可視性、真のすべて – をスコア付けします。
速度は計算にはほとんど役に立たない(12-14ppの速度のない表面MAEに対して-0.2pp)、表面の1次(-1.5から-1.8pp、そのMAEの11-15%)、評定の10倍(-0.12から-0.19pp)。
完璧なOccluded-playerベロシティは、可視的なゲインの2--6%を加算し、テストした最後の目に見える崩壊ポリシーはそれを超えるものではありません。
オミッティング速度は表面をぼかし(per-frame |e| 2.2--2.6 pp)、平均偏差が小さい(per cell <=0.4 pp)。
固定された速度窓において、シグマ_v整合ペアを含む11個のジッタ設定のノイズラグを1つのベロシティノイズ軸シグマ_vで1次注文し、その1対から1対1m/s、パイプライン測度シグマ_v=1.65m/sで11個のサッカーNet-GSRクリップを回収するが、24～36%の利益を回収する: 分散の43%はフレーム共通であり、表面が許容され、残余は重く、RMSで一致したガウス制御は再生しない(+0.03 vs. +0.36)。
ベロシティを除去するベロシティフリーエラーのシェアは、ビューポート幅(36mで7%、60mで21%)で増大する。
コードとログがリリースされている。
関連論文リスト
- Calibration-Free Vehicle Speed Estimation: A Monocular Keypoint-Template Approach [0.8819673391477033]
本稿では,モノクロビデオから車両の速度を確実かつ効果的に推定するキャリブレーションフリーフレームワークを提案する。
提案フレームワークは,36キーポイントの車両テンプレートと,各フレームに更新されたホモグラフィ行列を用いて車両速度を推定する。
論文 参考訳（メタデータ） (2026-08-17T16:39:06Z) - When Does Trace-Driven Evaluation Mislead MoE Expert Caching? Replay Semantics, Workload Contamination, and Operating Regimes [3.471896896439183]
Mixture-of-Experts (MoE)モデルはアクセラレーターメモリをはるかに上回っている。
ヒット率を上げた政策は、トークン当たりの専門家のトラフィックを減らした。
我々は、数だけでなく結論を変える3つの評価軸を評価する。
論文 参考訳（メタデータ） (2026-08-08T04:29:20Z) - The Low Frequency Trap: Video Language Models Fail at Simple Event Bookkeeping [70.07961857926377]
3つの制御されたビデオタスクにおけるイベントカウントのためのトレーサグラウンドパラメトリックプロファイリングを導入する。
2,190本のビデオでは,レンダリングを保ちながらイベントカウントNと周波数Fが異なる。
80%の信頼性しきい値において、Gemini 3.6 Flashは、0.5Hzと1.0Hzの12イベントまでの永続的な状態遷移を確実にカウントするが、過渡的点滅イベントに対する信頼性の高い正カウント領域は示さない。
論文 参考訳（メタデータ） (2026-08-06T17:57:06Z) - Training-Free Off-Screen Player Imputation for Broadcast-Based Spatial Football Analytics [0.9185901163605424]
スポーツフットボールのメトリクスは、22人の選手のポジションにアクセスできることを前提としている。
メインカメラは10～16台しか表示できない。
得られた歪みを再現可能なオープンなベンチマークで定量化する。
論文 参考訳（メタデータ） (2026-07-13T13:33:45Z) - The Surface You Test Is Not the Surface That Breaks [0.0]
エージェントのコンテキストの一部を制御するサードパーティは、エージェントがユーザから来たかのように実行する命令を配置することができる。
現在の評価では、1つのチャネルで1モデル当たりの攻撃成功率を報告している。
しかし、ツール記述自体が、攻撃者が代わりに選択できるインジェクションサーフェスである。
論文 参考訳（メタデータ） (2026-05-28T18:26:40Z) - Accelerating Video Inverse Problem Solvers with Autoregressive Diffusion Models [59.36933513963735]
拡散モデルは、ゼロショットビデオ逆問題に対して強力な先行情報を提供する。
彼らのリアルタイムデプロイメントは、2つの非効率さによって妨げられている: 全体的ビデオ復元による高い初期遅延と、複数のVAEパスによる低スループットである。
本稿では,これらの制限を克服するために,自動回帰ビデオ逆問題解法(AVIS)を提案する。
論文 参考訳（メタデータ） (2026-05-20T02:16:30Z) - AdpSplit: Error-Driven Adaptive Splitting for Faster Geometry Discovery in 3D Gaussian Splatting [61.977804325410695]
本稿では、エラー駆動型適応分割演算子であるAdpSplitを紹介し、分割子数を決定し、L1-ピクセルエラー領域統計から子パラメータを初期化する。
MipNeRF360、Deep-Blending、Thans&Templesのデータセット全体で、AdpSplitは、複数の加速された3DGSパイプラインのトレーニング時間を9.2%から22.3%削減する。
FastGSでは、AdpSplitはMipNeRF360上の全スケジュールPSNRと一致し、トレーニング時間を16.4%削減し、バニラ3DGSの12.6倍加速に対応している。
論文 参考訳（メタデータ） (2026-05-07T19:23:16Z) - Edge-Efficient Two-Stream Multimodal Architecture for Non-Intrusive Bathroom Fall Detection [2.669350701173451]
濡れた浴室環境の滝は、高齢者が一人で生活する大きな安全リスクである。
近年の研究では、mWaveのみ、振動のみ、および既存のマルチモーダルスキームがプライバシー保護、非侵襲的な転倒検出をサポートすることが示されている。
本研究では,長距離移動パターンと床振動の処理を行うMotion-Mambaブランチを用いて,レーダ信号を符号化する2ストリームアーキテクチャを提案する。
論文 参考訳（メタデータ） (2026-03-17T18:54:21Z) - VSA: Faster Video Diffusion with Trainable Sparse Attention [38.37291040904089]
ビデオ拡散トランス (DiTs) のスケーリングは、注意質量の大部分が少数の位置に集中しているにもかかわらず、2次元の注意によって制限される。
私たちはこの観察を、トレーニング可能なハードウェア効率の良いスパースアテンションであるVSAに変換し、Emphbothのトレーニングと推論の完全なアテンションを置き換える。
論文 参考訳（メタデータ） (2025-05-19T17:30:13Z) - Speedy MASt3R [68.47052557089631]
MASt3Rは、DUSt3Rを活用して高速な相互マッチング方式を導入することで、画像マッチングを3Dタスクとして再定義する。
高速MASt3Rは、精度を犠牲にすることなく、推論時間(画像ペアあたり198msから91ms)を54%削減する。
この進歩により、リアルタイムな3D理解が可能になり、複合現実ナビゲーションや大規模3Dシーン再構築といったアプリケーションに恩恵をもたらす。
論文 参考訳（メタデータ） (2025-03-13T03:56:22Z) - StreamYOLO: Real-time Object Detection for Streaming Perception [84.2559631820007]
将来を予測する能力を備えたモデルを提供し、ストリーミング知覚の結果を大幅に改善する。
本稿では,複数の速度を駆動するシーンについて考察し,VasAP(Velocity-Awared streaming AP)を提案する。
本手法は,Argoverse-HDデータセットの最先端性能を実現し,SAPとVsAPをそれぞれ4.7%,VsAPを8.2%改善する。
論文 参考訳（メタデータ） (2022-07-21T12:03:02Z) - Fast Motion Understanding with Spatiotemporal Neural Networks and
Dynamic Vision Sensors [99.94079901071163]
本稿では,高速な動きを推論するための動的視覚センサ(DVS)システムを提案する。
ロボットが15m/s以上の速度で接近する小さな物体に反応するケースを考察する。
我々は,23.4m/sで24.73degの誤差を$theta$,18.4mmの平均離散半径予測誤差,衝突予測誤差に対する25.03%の中央値で移動した玩具ダートについて,本システムの結果を強調した。
論文 参考訳（メタデータ） (2020-11-18T17:55:07Z)
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。