論文の概要: Prompt, Probe, Train, or Annotate? Single-camera sports video understanding in amateur settings

• arxiv url: http://arxiv.org/abs/2609.28049v1
• Date: Wed, 23 Sep 2026 13:05:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:18.024179
• Title: Prompt, Probe, Train, or Annotate? Single-camera sports video understanding in amateur settings
• Title（参考訳）: Prompt, Probe, Train, Annotate? アマチュア環境でのシングルカメラスポーツビデオ理解
• Abstract要約: テストケースとしてバレーボールを用いると、一般的なビデオやワールドモデルベンチマークでの強いパフォーマンスが、プレーヤーごとの信頼性の高い属性に変換されるかどうかを問う。 我々は,46,648人の接触者による66のアマチュア試合において,各段階での4つのアプローチ(プロンプティングとエージェント推論,小さな訓練を受けた専門家による古典的コンピュータビジョン,自己指導型ビデオワールドモデル,手動アノテーション)を評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Video understanding is usually benchmarked on curated, single-actor, or professionally filmed clips, and a strong score there is routinely read as evidence a model is robust enough for deployment. Amateur team sport is a useful, largely untested place to check that assumption: over eight million students played a school sport in the United States in 2024-25 alone, almost none of it filmed by more than a single fixed camera, with several candidate actors crowded into frame and no operator or second angle to fall back on. Using volleyball as a test case, we ask whether strong performance on general video and world-model benchmarks translates into reliable, per-player attribution once footage is this chaotic, turning footage into statistics through a chain of tasks from finding play boundaries to naming who did what. We evaluate four approaches (prompting and agentic reasoning over frontier vision-language models, classical computer vision with small trained specialists, self-supervised video world models, and manual annotation) at every stage, on 66 amateur matches with 46,648 human-labelled contacts, filmed under conditions no published benchmark uses. No single paradigm wins every stage, and static, single-frame computer vision is not competitive at any stage involving motion or identity. A prompted model segments matches well, yet a far smaller trained model beats it at spotting contacts for a fraction of the cost, and the sport's own rules recover rally outcomes the pixels cannot. Identity is where every automated approach struggles: a jersey number is a static fact temporal reasoning cannot recover if never visible, unlike sporting action, a repeated motor pattern a temporal model can exploit, which is why holistic reasoning improves event detection while identity stays unchanged. We close with where each approach earns its cost, and what transfers beyond volleyball to amateur sport.
• Abstract（参考訳）: ビデオ理解は通常、キュレートされた、シングルアクタ、あるいはプロの撮影クリップでベンチマークされる。 アマチュアチームスポーツは、2024-25年だけで800万人以上の学生がアメリカでスクールスポーツをプレイしたが、そのうちのほとんどは固定カメラ1台以上のカメラで撮影され、いくつかの候補俳優がフレームに混じり、オペレーターやセカンドアングルが外れた。 テストケースとしてバレーボールを使用すれば、一般的なビデオやワールドモデルベンチマークの強いパフォーマンスが、このカオス的なビデオがプレイ者ごとの信頼性の高い属性に変換されるかどうかを問うことができる。 我々は,46,648人の接触者による66のアマチュア試合において,フロンティア視覚言語モデルに対するプロンプティングとエージェント推論,小さな訓練を受けた専門家による古典的コンピュータビジョン,自己監督型ビデオワールドモデル,手動アノテーションの4つのアプローチを評価した。 一つのパラダイムがすべてのステージに勝つことはなく、静的で単一のフレームのコンピュータビジョンは、動きやアイデンティティを含むどのステージでも競合しない。 引き起こされたモデルセグメントはよく一致しますが、はるかに小さな訓練されたモデルでは、わずかなコストで接触点を見つけることができ、スポーツ自身のルールでは、ラリー結果の回復は不可能です。 ジャージ番号は静的な事実である 時間的推論は、スポーツアクションとは異なり、テンポラルモデルが活用できる繰り返し運動パターンである。 われわれは、それぞれのアプローチがどこでコストを稼いでいるか、そしてバレーボール以外のものからアマチュアスポーツへと移行するかに近づきつつある。

関連論文リスト

• What-If World: A Causal Benchmark for General World Models in Embodied Scenarios [23.527918480081013]
  ビデオ生成モデルは、運転やロボット操作といったタスクのための世界シミュレータとして、ますます使われている。 これらの設定で重要なのは、単一のビデオが正しく見えるかどうかではなく、入力が変わったときにモデルの出力が変わるかどうかです。 我々は、同じシーンを1つの物理的詳細で記述した2つのプロンプトをモデルに与え、この2つのビデオが物理の予測方法が異なるかどうかを確認することによって、これを検証した。
  論文  参考訳（メタデータ） (2026-05-26T19:02:26Z)
• GRAZE: Grounded Refinement and Motion-Aware Zero-Shot Event Localization [0.4306143768014156]
  ラベル付きタックルトリミングの例を必要としないFPOCローカライゼーションのためのトレーニングフリーパイプラインを提案する。 738のタックル・プラクティス・ビデオでは、GRAZEは97.4%のクリップの有効出力を生成し、全クリップの77.5%と全クリップの82.7%で$pm$10フレームと$pm$20フレームでFPOCをローカライズする。
  論文  参考訳（メタデータ） (2026-04-01T20:41:58Z)
• SportSkills: Physical Skill Learning from Sports Instructional Videos [51.16409727318035]
  SportSkillsは、Wildビデオによる物理的なスキル学習を目的とした、初めての大規模なスポーツデータセットだ。 SportSkillsは、物理的なアクションの微妙な違いを理解することができる。 本稿では,誤り条件付き指導ビデオ検索の大規模タスク定式化について紹介する。
  論文  参考訳（メタデータ） (2026-03-26T08:29:35Z)
• Learning Skill-Attributes for Transferable Assessment in Video [56.813876909367856]
  ビデオによるスキル評価は、人の身体的パフォーマンスの品質を評価し、何がより良くできるかを説明する。 当社のCrossTrainerアプローチでは,バランス,コントロール,手の位置決めといったスキル属性が検出される。 人間のスキルを表わす行動の共有を抽象化することにより,提案した映像表現は,既存のテクニックの配列よりもはるかに優れている。
  論文  参考訳（メタデータ） (2025-11-17T23:53:06Z)
• ActionAtlas: A VideoQA Benchmark for Domain-specialized Action Recognition [111.32822459456793]
  ActionAtlasは、様々なスポーツのショートビデオを含むビデオ質問応答ベンチマークである。 このデータセットには、56のスポーツで580のユニークなアクションを示す934の動画が含まれており、合計1896のアクションが選択できる。 我々は、このベンチマークでオープンでプロプライエタリな基礎モデルを評価し、最高のモデルであるGPT-4oが45.52%の精度を達成することを発見した。
  論文  参考訳（メタデータ） (2024-10-08T07:55:09Z)
• SportsSloMo: A New Benchmark and Baselines for Human-centric Video Frame Interpolation [11.198172694893927]
  SportsSloMoは、130万本以上のビデオクリップと100万フレームの高解像度(720p)のスローモーションスポーツビデオがYouTubeからクロールされたベンチマークである。 ベンチマークでいくつかの最先端手法を再学習し、その結果、他のデータセットと比較して精度が低下していることを示す。 我々は,人間の認識する先行性を考慮した2つの損失項を導入し,汎視的セグメンテーションと人間のキーポイント検出に補助的監督を加える。
  論文  参考訳（メタデータ） (2023-08-31T17:23:50Z)
• 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)
• SoccerNet-Tracking: Multiple Object Tracking Dataset and Benchmark in Soccer Videos [62.686484228479095]
  本稿では,各30の200列からなる複数物体追跡のための新しいデータセットを提案する。 データセットは、バウンディングボックスとトラックレットIDで完全に注釈付けされている。 分析の結果,サッカービデオにおける複数の選手,審判,ボール追跡が解決されるには程遠いことがわかった。
  論文  参考訳（メタデータ） (2022-04-14T12:22:12Z)
• AIM 2020 Challenge on Video Temporal Super-Resolution [118.46127362093135]
  Video Temporal Super-Resolution (VTSR) の第2回AIMチャレンジ 本稿では,ビデオ・テンポラル・スーパー・リゾリューション(VTSR)における第2回AIM課題について報告する。
  論文  参考訳（メタデータ） (2020-09-28T00:10:29Z)
• A Hybrid Approach for Tracking Individual Players in Broadcast Match Videos [1.160208922584163]
  本稿では,高速かつ高精度な選手追跡ソリューションを提案する。 このアプローチは、比較的控えめなハードウェアで同時に実行される複数のモデルを組み合わせる。 性能に関しては80fpsで高精細ビデオ(1920x1080)を処理できる。
  論文  参考訳（メタデータ） (2020-03-06T15:16:23Z)
• 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。