論文の概要: CricRAG: Retrieval Augmented Vision-Language Models for Personalized Cricket Coaching

• arxiv url: http://arxiv.org/abs/2609.26056v1
• Date: Sat, 08 Aug 2026 02:29:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.848949
• Title: CricRAG: Retrieval Augmented Vision-Language Models for Personalized Cricket Coaching
• Title（参考訳）: CricRAG:パーソナライズされたクリケットコーチングのための検索拡張ビジョンランゲージモデル
• Abstract要約: VLM(Vision-Language Models)は、自動スポーツコーチングのための有望な能力を提供するが、基本的な制限に直面している。 CricRAGは, VLMを個別化クリケットコーチングのためのスキル適切なベンチマークと整合する検索拡張フレームワークである。
• 参考スコア（独自算出の注目度）: 22.27724458140472
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-Language Models (VLMs) offer promising capabilities for automated sports coaching but face a fundamental limitation: they implicitly compare against professional standards, making their feedback impractical for developing players. We present CricRAG, a retrieval-augmented framework that aligns VLMs with skill-appropriate benchmarks for personalized cricket coaching. Our key insight is that by retrieving similar-but-better techniques as reference points, we can guide VLMs to provide developmentally appropriate feedback that mirrors human coaching practices. We contribute: (1) a labelled dataset of 288 cricket technique videos spanning multiple skill levels, (2) an efficient motion retrieval pipeline using contrastive learning that achieves 78% top-3 retrieval accuracy, (3) a frame sampling technique that reduces inference costs, and (4) a retrieval-augmented approach that significantly improves feedback alignment with coaching principles, achieving up to 94% agreement with professional assessments compared to 67% without retrieval context.
• Abstract（参考訳）: VLM(Vision-Language Models)は、自動スポーツコーチングの有望な能力を提供するが、基本的な制限に直面している。 CricRAGは, VLMを個別化クリケットコーチングのためのスキル適切なベンチマークと整合する検索拡張フレームワークである。 私たちの重要な洞察は、類似のテクニックを参照ポイントとして取り出すことで、VLMをガイドして、人間のコーチングプラクティスを反映した、発達的に適切なフィードバックを提供することができます。 本研究では,(1)複数のスキルレベルにまたがる288個のクリケット技術ビデオのラベル付きデータセット,(2)トップ3検索精度を78%向上するコントラスト学習を用いた効率的なモーション検索パイプライン,(3)推論コストを低減させるフレームサンプリング手法,(4)コーチング原則によるフィードバックアライメントを大幅に改善する検索強化アプローチ,に加えて,文脈のないプロのアセスメントと最大94%の合意を達成した。

関連論文リスト

• EduIllustrate: Towards Scalable Automated Generation Of Multimodal Educational Content [19.131221541276332]
  大規模な言語モデルを評価するためのベンチマークであるEduIllustrateを提案する。 このベンチマークは、5つの被験者と3つのグレードレベルにまたがる230の課題からなる。 Gemini 3.0 Pro Previewは87.8%、Kim-K2.5は最高のコスト効率を実現している。
  論文  参考訳（メタデータ） (2026-04-06T08:58:31Z)
• Vision Large Language Models Are Good Noise Handlers in Engagement Analysis [54.397912827957164]
  本稿では,VLM(Vision Large Language Models)を利用したアノテーションの洗練とトレーニングプロセスの指導を行うフレームワークを提案する。 本フレームワークでは,行動手がかりを抽出し,データを高信頼性サブセットと低信頼性サブセットに分割する。 改良された高信頼性サブセットで訓練された古典型コンピュータビジョンモデルは,カリキュラム戦略により強化され,改善されたことを示す。
  論文  参考訳（メタデータ） (2025-11-18T18:50:26Z)
• Checklists Are Better Than Reward Models For Aligning Language Models [99.1896531064102]
  チェックリストフィードバックからの強化学習(RLCF)を提案する。 指示からチェックリストを抽出し,各項目の応答がどの程度満足するかを評価する。 これらのスコアをAI判断器と特殊検証器プログラムの両方を用いて組み合わせ、RLの報酬を計算する。
  論文  参考訳（メタデータ） (2025-07-24T17:58:00Z)
• J1: Incentivizing Thinking in LLM-as-a-Judge via Reinforcement Learning [54.85131761693927]
  意思決定前にLLM審査員に思考を教えるための強化学習フレームワークであるJ1を紹介する。 私たちのコアコントリビューションは、検証不可能で検証可能なプロンプトのすべての判断タスクを、検証可能な報酬を持った統一フォーマットに変換することです。 次に、RLを用いて8B、32B、70Bのスケールで思考判断を訓練し、彼らが最先端のパフォーマンスを得ることを示す。
  論文  参考訳（メタデータ） (2025-05-15T14:05:15Z)
• VLM2-Bench: A Closer Look at How Well VLMs Implicitly Link Explicit Matching Visual Cues [34.95077625513563]
  textbfVLM2-Benchは視覚言語モデルが視覚的にマッチングの手がかりをリンクできるかどうかを評価するためのベンチマークである。 12個のVLMの包括的評価と、様々な言語側および視覚側プロンプト手法のさらなる分析により、合計8つの重要な結果が得られた。 視覚的な手がかりをリンクするモデルの能力において重要な課題を特定し、大きなパフォーマンスギャップを浮き彫りにする。
  論文  参考訳（メタデータ） (2025-02-17T17:57:50Z)
• Poze: Sports Technique Feedback under Data Constraints [31.529820481453026]
  Pozeは革新的なビデオ処理フレームワークで、人間の動きに対するフィードバックを提供し、プロのコーチの洞察をエミュレートする。 Pozeは、ビデオ質問応答フレームワークにおける最先端のビジョン言語モデルを超え、それぞれGPT4VとLLaVAv1.6 7bよりも70%と196%の精度を達成している。
  論文  参考訳（メタデータ） (2024-11-08T17:48:20Z)
• VLFeedback: A Large-Scale AI Feedback Dataset for Large Vision-Language Models Alignment [55.7956150385255]
  本稿では,視覚言語モデルの整合性向上のためのAIフィードバックの有効性について検討する。 最初の大規模視覚言語フィードバックデータセットであるVLFeedbackを紹介する。 我々は、VLFeedback上で直接選好最適化によって微調整されたLVLMであるSilkieを訓練する。
  論文  参考訳（メタデータ） (2024-10-12T07:56:47Z)
• How to Build an Adaptive AI Tutor for Any Course Using Knowledge Graph-Enhanced Retrieval-Augmented Generation (KG-RAG) [5.305156933641317]
  知的学習システム(ITS)におけるLarge Language Models (LLMs)は、パーソナライズされた教育に変革をもたらす機会を提供する。 現在の実装では、2つの重要な課題に直面している。 本稿では,構造化知識表現と文脈認識検索を統合した新しいフレームワークである知識グラフ強化検索(RAG)を提案する。
  論文  参考訳（メタデータ） (2023-11-29T15:02:46Z)
• Learning to Decompose Visual Features with Latent Textual Prompts [140.2117637223449]
  視覚言語モデルを改善するために,Decomposed Feature Prompting (DeFo)を提案する。 我々の実証研究は、視覚言語モデルを改善する上でDeFoが重要であることを示している。
  論文  参考訳（メタデータ） (2022-10-09T15:40:13Z)

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。