論文の概要: Graph-to-Grid (G2G): Continuous-Coordinate Feature Painting for Soccer Pass Surfaces
- arxiv url: http://arxiv.org/abs/2609.24040v1
- Date: Mon, 21 Sep 2026 03:11:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-22 20:29:01.045529
- Title: Graph-to-Grid (G2G): Continuous-Coordinate Feature Painting for Soccer Pass Surfaces
- Title（参考訳）: Graph-to-Grid (G2G): サッカーパスサーフェスのための連続座標特徴ペイント
- Abstract要約: ペイントは2022年のワールドカップから53,628回のパスで、同じコア選択の選択を改善している。
複雑なパス面は、すべてのピッチセルに対して、そこで演奏されるパスが到着するかどうか、キャリアがそれを選択するかどうか、そしてその保持物の価値を与える。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Dense pass surfaces give, for every pitch cell, whether a pass played there would arrive, whether the carrier would choose it, and what the possession would then be worth. The networks that draw them read the state as a raster of per-cell counts, losing where inside a cell each player stands. LiDAR detectors, bird's-eye-view perception and graph weather models move entity features onto a grid, binning each entity to a cell or learning the transfer. We evaluate the interpolated form: each player's features are scattered bilinearly onto the grid at the player's measured coordinates, so the surface loss trains the per-player encoder end to end. Those systems adopt an interface; this paper measures one. On 53,628 passes from the 2022 World Cup, painting improves selection likelihood over the same core fed rasters alone by about a quarter of a nat: in every match of an eight-fold cross-validation, with every arm tuned over five seeds, and after retraining on seven Bundesliga and 2. Bundesliga matches from another provider. Thirteen pre-specified studies locate the gain: painting the nine raw player features with no encoder carries three quarters of it, and the learned encoder and message passing add a smaller, resolved increment. Painting also helps the original SoccerMap and a canonical U-Net, whereas offset channels, a finer raster, an attention painter and a raster-free decoder do not. Frozen across the provider boundary the likelihood advantage is lost; injected tracking error compresses it. These results concern observed-endpoint prediction, not calibrated evaluation of hypothetical passes.
- Abstract（参考訳）: 複雑なパス面は、すべてのピッチセルに対して、そこで演奏されるパスが到着するかどうか、キャリアがそれを選択するかどうか、そしてその保持物の価値を与える。
それらを引き出すネットワークは、各プレイヤーのセル内の位置をなくし、セル当たりのカウントのラスターとして状態を読み取る。
LiDAR検出器、鳥の目視知覚およびグラフ気象モデルにより、実体は格子上に移動し、各実体をセルに結合するか、移動を学ぶ。
我々は,各プレイヤーの特徴を,各プレイヤーの計測座標の格子上に二直線に分散させることで補間形式を評価し,表面損失はプレイヤー毎エンコーダの終端を訓練する。
これらのシステムはインターフェースを採用しており、この論文は1つを計測する。
2022年のワールドカップから53,628回のパスで、絵は同じコアのラスタを4分の1ほど上回り、すべての試合で5つのシードを調整し、7つのブンデスリーガと2で再トレーニングした。
Bundesligaは別のプロバイダと一致します。
エンコーダなしで9つの生のプレイヤーの特徴を描くことは、その4分の3を伝達し、学習したエンコーダとメッセージパッシングはより小さく、より解決されたインクリメントを付加する。
絵画はオリジナルのサッカーマップや標準のU-Netにも役立つが、オフセットチャンネル、より微細なラスタ、注目画家、ラスタフリーのデコーダはそうではない。
プロバイダ境界を越えて凍結すると、可能性の優位性が失われ、注入されたトラッキングエラーがそれを圧縮する。
これらの結果は,仮説パスの校正評価ではなく,観測端予測に関係している。
関連論文リスト
- SCOUT: Sim-to-Real Text-Based Person Retrieval by Embedding-Space Prediction over Frozen Video Features [0.0]
埋め込み空間の予測としてクロスモーダル検索を行うSCOUTを提案する。
トレーニング可能な予測器は、凍結ビデオエンコーダのパッチトークンを凍結テキストエンコーダの埋め込み空間にマッピングする。
AIシティチャレンジ2026トラック4では、フルフューズリロードシステムが最終リーダーボード上で84.25 mAP@10に到達し、フリーズモデルが単独で60.63に到達した。
論文 参考訳（メタデータ） (2026-09-16T22:51:56Z) - Disparity Has a Sign: Stereo Matching Beyond the Zero-Disparity Plane [52.210414985125816]
立体視内容が、負の相違に対応するゼロの相違面の背後にある物体をどう含んでいるかを示す。
撮影者が作成した7本の公開映画から21,495ドルのステレオペアのベンチマークである textitZDPShift を提案する。
同じシーンコンテンツでは、ファンデーションは25.24ドルEPEから75.33ドルpxに上昇し、すべてのバックボーンが3ピクセルの差分誤差を超えるピクセルの約半分を残している。
論文 参考訳（メタデータ） (2026-09-06T19:58:35Z) - Explaining AI-Image Detection: What the Heatmap Actually Shows [65.01025489527173]
私たちは検出器を構築し、その証拠として属性マップを添付します。
私たちは、そのペアがコントロール下の186,527のイメージにもたらすものを測定します。
属性ランキングが存在するかどうかは、検出器が画像に反応するかどうかに依存する。
論文 参考訳（メタデータ） (2026-07-31T16:07:05Z) - 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) - More Structure, Not More Capacity: Object-Centric Representations for Visuomotor Imitation Learning [54.65906330923846]
対象中心のスロット表現は、事前学習された視覚モデルに代わる構造化された代替物であることを示す。
トークンの16倍の高密度なパッチグリッドは、グローバル機能に匹敵するパフォーマンスはない。
明示的な2D空間目標とネイティブ解像度レンダリングにより、全システムは68.7$pm$4.2%まで上昇し、特権付き3Dオーラクルの上界の直ぐ下にある。
論文 参考訳（メタデータ） (2026-07-10T10:35:24Z) - Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。
ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。
次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文 参考訳（メタデータ） (2026-06-29T06:39:03Z) - Surflo: Consistent 3D Surface Flow Model with Global State [57.57234680235885]
Surfloは、方向付けられた3次元表面点を、ノイズからフローマッチングを通じて独立して表面へ輸送することでデコードする。
独立なポイント単位の復号化に固有の局所的不整合を抑制するために、光度勾配を注入することにより、推定時間誘導項が近傍の点と相関する。
Surfloは、サーフェスメトリクスのフィードフォワードベースラインにマッチし、数百のビューを必要とする最適化ベースのメソッドよりも桁違いに高速に動作し、グローバルなラテントと任意の解像度のデコーディングを組み合わせた唯一のフィードフォワードアプローチである。
論文 参考訳（メタデータ） (2026-06-11T17:48:38Z) - 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) - SoccerNet 2025 Challenges Results [205.71032061537747]
SoccerNet 2025 Challengesは、サッカービデオ理解におけるコンピュータビジョン研究の進歩に特化した、サッカーネットオープンな取り組みの第5回年次大会である。
今年の課題は、Team Ball Action Spotting、Monocular Depth Estimation、Multi-View Foul Recognition、Game State Reconstructionの4つのビジョンベースのタスクにまたがる。
レポートは、各課題の結果を示し、最高パフォーマンスのソリューションを強調し、コミュニティが達成した進歩に関する洞察を提供する。
論文 参考訳（メタデータ） (2025-08-26T16:37:07Z) - Graph Neural Networks to Predict Sports Outcomes [0.0]
スポーツに依存しないグラフによるゲーム状態の表現を導入する。
次に、提案したグラフ表現をグラフニューラルネットワークの入力として使用し、スポーツ結果を予測する。
論文 参考訳（メタデータ） (2022-07-28T14:45:02Z) - Determining Chess Game State From an Image [19.06796946564999]
本稿では,既存のモデルよりも桁違いに大きい3次元モデルから合成した新しいデータセットについて述べる。
従来のコンピュータビジョン技術とディープラーニングを組み合わせた新しいエンドツーエンドチェス認識システムを紹介します。
記述されたシステムでは,テストセット上での誤差率は0.23%であり,現状の28倍である。
論文 参考訳（メタデータ） (2021-04-30T13:02:13Z)
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。