論文の概要: A 3D Pose-Based Ensemble Framework for Cricket Shot Classification and Automated Biomechanical Analysis
- arxiv url: http://arxiv.org/abs/2609.26923v1
- Date: Tue, 22 Sep 2026 18:18:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 00:05:17.723836
- Title: A 3D Pose-Based Ensemble Framework for Cricket Shot Classification and Automated Biomechanical Analysis
- Title（参考訳）: クリケットショット分類と自動バイオメカニカル解析のための3次元ポッド・アンサンブル・フレームワーク
- Abstract要約: 本稿では,映像データを取得し,YOLOを用いて映像フレームから打者を抽出し,MeTRAbsを用いて映像フレームから3Dポーズデータを抽出するクリケットコーチングシステムを提案する。
このシステムは、30個の体点の連続的な骨格ポーズデータを生成し、打者の生体力学的特徴をキャプチャする。
- 参考スコア（独自算出の注目度）: 0.49157446832511503
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cricket is one of the most celebrated sports world-wide, and technological advancement has become deeply embedded in how the modern game is analyzed and coached. Cricket shot classification and automated performance analysis add a further dimension to this trend. Traditional approaches rely on RGB video features or static images, which are sensitive to environmental variations such as camera angle, lighting, and background clutter, and often fail to capture the underlying biomechanics of batting actions. In this paper, we propose a system to improve cricket coaching that takes raw video data, extracts batsmen from video frames using YOLO, and extracts 3D pose data from video frames using MeTRAbs. The system produces sequential skeletal pose data of 30 body points and captures the biomechanical features of a batsman. As part of the system, we also propose a deep learning ensemble for shot classification of four shots: flick, pull, defense, and drive. The ensemble performed well, compared to existing classification works, achieving 97.68% accuracy. In addition, we analyzed the misclassification rates to identify cases where shots were incorrectly classified and examined their possible causes. Our proposed system allows novice players to obtain useful feedback, such as important joint angles relative to expert batsmen, which can also be useful for injury prevention. The shot classifier also helps track class-wise shots over time for further analysis. In addition to novice players, coaches can use the system for player evaluation.
- Abstract（参考訳）: クリケットは世界中で最も著名なスポーツの1つであり、現代のゲームがどのように分析され、コーチされるかに技術進歩が深く浸透している。
クリケットショットの分類と自動パフォーマンス分析は、このトレンドにさらに次元を加える。
従来のアプローチはRGBのビデオ機能や静的なイメージに依存しており、カメラアングル、照明、背景の散らばりといった環境の変化に敏感であり、バッティングアクションの基盤となるバイオメカニクスを捉えるのに失敗することが多い。
本稿では,映像データを取得し,YOLOを用いて映像フレームから打者を抽出し,MeTRAbsを用いて映像フレームから3Dポーズデータを抽出するクリケットコーチングシステムを提案する。
このシステムは、30個の体点の連続的な骨格ポーズデータを生成し、打者の生体力学的特徴をキャプチャする。
また,このシステムの一環として,フリック,プル,ディフェンス,ドライブの4つのショット分類のための深層学習アンサンブルを提案する。
アンサンブルの精度は97.68%であった。
さらに, 誤分類率を分析し, 正しく分類されていない症例を同定し, その原因について検討した。
提案システムでは,熟練した打者に対する重要な関節角度など,障害予防にも有用である,初心者に有用なフィードバックを得ることができる。
ショット分類器は、さらなる分析のためにクラスワイズショットを時間とともに追跡するのに役立つ。
初心者選手に加えて、コーチはプレイヤーの評価にこのシステムを利用することができる。
関連論文リスト
- Towards Understanding Camera Motions in Any Video [89.97247162415158]
我々は、カメラモーション理解の評価と改善を目的とした大規模なデータセットとベンチマークであるCameraBenchを紹介する。
CameraBenchは、厳格な品質管理プロセスを通じて専門家によって注釈付けされた3,000の多様なインターネットビデオで構成されている。
私たちの貢献の1つは、撮影者との共同で設計されたカメラモーションプリミティブの分類である。
論文 参考訳（メタデータ） (2025-04-21T18:34:57Z) - Advanced Volleyball Stats for All Levels: Automatic Setting Tactic
Detection and Classification with a Single Camera [15.032833555418314]
バレーボールの試合における戦略分類の設定に特化して設計された2つの新しいエンドツーエンドコンピュータビジョンフレームワークを提案する。
本フレームワークは,ボール軌跡認識と新しいセット軌跡分類器を組み合わせることで,包括的・高度な統計データを生成する。
本システムでは,実時間展開が可能であり,ゲーム内戦略分析やスポット内ゲームプランの調整が可能である。
論文 参考訳（メタデータ） (2023-09-26T08:29:02Z) - Automated Hit-frame Detection for Badminton Match Analysis [1.3300217947936062]
本研究では,最新の深層学習技術を用いて,マッチビデオからヒットフレームを自動的に検出し,バドミントンにおけるスポーツ分析の進歩を目指す。
ヒットフレームに含まれるデータは、その後プレイヤーのストロークやコート上での動きを合成したり、トレーニングタスクの分析や競争戦略などの下流のアプリケーションに利用することができる。
本研究では,映像トリミングにおけるショットアングル認識の精度99%,シャトルコック飛行方向予測におけるキーポイントシーケンスの適用精度92%以上を達成し,ラリーワイドビデオトリミングとヒットフレーム検出の評価結果を報告した。
論文 参考訳（メタデータ） (2023-07-29T15:01:27Z) - A Graph-Based Method for Soccer Action Spotting Using Unsupervised
Player Classification [75.93186954061943]
アクションスポッティングには、ゲームのダイナミクス、イベントの複雑さ、ビデオシーケンスのバリエーションを理解することが含まれる。
本研究では, (a) 選手, 審判, ゴールキーパーをグラフのノードとして識別し, および (b) 時間的相互作用をグラフのシーケンスとしてモデル化することによって, 前者に焦点を当てる。
プレーヤ識別タスクでは,他のモダリティと組み合わせることで,平均mAPの57.83%の総合的な性能が得られる。
論文 参考訳（メタデータ） (2022-11-22T15:23:53Z) - Deep-Learning-Based Computer Vision Approach For The Segmentation Of
Ball Deliveries And Tracking In Cricket [4.021584094339975]
本稿では,ボールのみを届ける映像を分割抽出する手法を提案する。
オブジェクト検出モデルを適用して,映像を正確に抽出する手法を提案する。
これらのビデオショットにおけるボール追跡は、提案したデータセットの有用性のサンプルとして、別のRetinaNetモデルを使用して行われる。
論文 参考訳（メタデータ） (2022-11-22T04:55:58Z) - Unsupervised Visual Representation Learning by Tracking Patches in Video [88.56860674483752]
本研究では,コンピュータビジョンシステムのプロキシタスクとしてトラッキングを用いて視覚表現を学習することを提案する。
子どもたちがプレイするキャッチゲームをベースに、視覚表現を学ぶ3D-CNNモデルのためのキャッチ・ザ・パッチ(CtP)ゲームを設計します。
論文 参考訳（メタデータ） (2021-05-06T09:46:42Z) - Human Mesh Recovery from Multiple Shots [85.18244937708356]
疑似地上真理3Dヒューマンメッシュを用いた長期シーケンスの3次元再構築とマイニングの改善のためのフレームワークを提案する。
得られたデータは,様々なメッシュ回復モデルのトレーニングに有用であることを示す。
編集メディアの大規模なライブラリーから3Dコンテンツを処理・分析するための扉を開くツールを開発した。
論文 参考訳（メタデータ） (2020-12-17T18:58:02Z) - A Unified Framework for Shot Type Classification Based on Subject
Centric Lens [89.26211834443558]
主観的誘導ネットワーク(SGNet)を用いたショット型認識のための学習フレームワークを提案する。
SGNetは、ショットの主題と背景を2つのストリームに分け、それぞれがスケールとムーブメントタイプの分類のための別々のガイダンスマップとして機能する。
大規模なデータセットであるMovieShotsを構築し、7Kフィルムトレーラーから46K枚の写真と、それらのスケールとムーブメントのアノテーションを含む。
論文 参考訳（メタデータ） (2020-08-08T15:49:40Z) - Unsupervised Temporal Feature Aggregation for Event Detection in
Unstructured Sports Videos [10.230408415438966]
任意のカメラアングルを持つ非構造化環境を対象としたスポーツビデオにおけるイベント検出事例について検討した。
我々は、非構造化設定におけるプレイヤーの教師なし識別と、任意の射撃角度によるバリエーションを示すために訓練されたモデルの一般化の2つの主要な問題を同定し、解決する。
論文 参考訳（メタデータ） (2020-02-19T10:24:22Z)
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。