論文の概要: BMASH: Ball-Motion-Aware Soccer Header Spotting

• arxiv url: http://arxiv.org/abs/2609.39300v1
• Date: Wed, 30 Sep 2026 08:43:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.452867
• Title: BMASH: Ball-Motion-Aware Soccer Header Spotting
• Title（参考訳）: BMASH:ボールモーション対応サッカーヘッダスポッティング
• Abstract要約: サッカーのヘッダスポッティングは、ヘッダイベントの微妙で短命な性質のため、難しい問題である。 我々はまず,このタスクの強力な行動認識ベースラインとしてVideo Swinを適応し,評価し,次にBMASHを紹介する。 BMASHは、ビデオスウィンのアクション表現と、フレームレベルのサッカーボール検出からのボールプレゼンスとモーション特徴を組み合わせる。 その結果,Video Swinはヘッダスポッティングに強力なベースラインを提供し,BMASHは対応するVideo SwinベースラインよりもクリップレベルのAPとROC-AUCを改善していることがわかった。
• 参考スコア（独自算出の注目度）: 10.401563529161107
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in computer vision have made broadcast sports videos increasingly useful for event analysis, performance assessment, and player-safety applications. In soccer, however, header spotting remains a challenging problem due to the subtle and short-lived nature of header events. This paper focuses on soccer header spotting: identifying moments in broadcast videos where the ball contacts a player's head. We first adapt and evaluate Video Swin as a strong action-recognition baseline for this task, and then introduce BMASH, a ball-motion-aware fusion framework that integrates detector-derived ball features. BMASH combines Video Swin action representations with ball-presence and motion features from frame-level soccer-ball detection, integrating player-action context with ball dynamics to distinguish headers from visually similar events. We evaluate BMASH using game-level splits with separate test matches and rotating validation folds, considering both centered-window classification and continuous full-video spotting. Results show that Video Swin provides a strong baseline for header spotting, while BMASH improves clip-level AP and ROC-AUC over the corresponding Video Swin baseline. In continuous full-video spotting, BMASH achieves a comparable event-level F1-performance with a different precision--recall trade-off.
• Abstract（参考訳）: コンピュータビジョンの最近の進歩により、放送されたスポーツビデオは、イベント分析、パフォーマンスアセスメント、プレイヤーセーフティの応用に益々有用になっている。 しかしサッカーでは、ヘッダスポッティングは、ヘッダイベントの微妙で短命な性質のため、依然として難しい問題である。 本稿では,ボールが選手の頭部に接触する映像の瞬間を識別する,サッカーのヘッダスポッティングに焦点を当てた。 我々はまず,このタスクの強力な行動認識ベースラインとしてVideo Swinを適応し,評価し,次に,検出器由来の球特徴を統合する球運動認識融合フレームワークであるBMASHを紹介する。 BMASHは、ビデオスウィンのアクション表現と、フレームレベルのサッカーボール検出の動作特徴を組み合わせることで、プレイヤーアクションコンテキストとボールダイナミクスを統合することで、ヘッダと視覚的に類似したイベントを区別する。 我々は,BMASHの評価を,中央ウィンドウ分類と連続フルビデオスポッティングの両方を考慮して,別個のテストマッチと回転バリデーションフォールドを用いたゲームレベルスプリットを用いて行った。 その結果,Video Swinはヘッダスポッティングに強力なベースラインを提供し,BMASHは対応するVideo SwinベースラインよりもクリップレベルのAPとROC-AUCを改善していることがわかった。 連続フルビデオスポッティングでは、BMASHは、異なる精度のイベントレベルのF1-パフォーマンスを達成する。

関連論文リスト

• SoccerLens: Grounded Soccer Video Understanding Beyond Accuracy [52.09081885158698]
  ビジョン言語モデル(VLM)は近年,サッカービデオ理解において大きな可能性を示している。 既存の評価プロトコルは分類精度に重点を置いており、視覚的グラウンドの評価は行わない。 サッカービデオ理解のためのベンチマークである SoccerLens を紹介する。
  論文  参考訳（メタデータ） (2026-05-10T15:18:08Z)
• SoccerChat: Integrating Multimodal Data for Enhanced Soccer Game Understanding [44.04695944511487]
  SoccerChatは、ビジュアルデータとテキストデータを統合して、サッカービデオの理解を強化した会話型AIフレームワークである。 我々は,サッカーイベント理解において,行動分類と審判決定タスクについて,サッカーChatのベンチマークを行い,その性能を実証した。 我々の発見は、サッカー分析の進歩におけるマルチモーダル統合の重要性を強調し、よりインタラクティブで説明可能なAI駆動スポーツ分析への道を開いた。
  論文  参考訳（メタデータ） (2025-05-22T13:01:51Z)
• Action Anticipation from SoccerNet Football Video Broadcasts [84.87912817065506]
  フットボール放送ビデオのアクション予測タスクについて紹介する。 我々は、5秒または10秒の予測ウィンドウ内で、観測されていない将来のフレームにおける将来の動作を予測する。 我々の研究は、自動放送、戦術分析、プレイヤーの意思決定における応用を可能にします。
  論文  参考訳（メタデータ） (2025-04-16T12:24:33Z)
• From Broadcast to Minimap: Achieving State-of-the-Art SoccerNet Game State Reconstruction [0.19748373512880277]
  ゲーム・ステート・レコンストラクション(GSR)は、サッカーのフィールドプレーヤ、ゴールキーパー、審判員、その他全ての個人を正確に追跡し、ローカライズする。 この能力により、コーチやアナリストはプレイヤーの動き、チーム形成、ゲームダイナミクスに関する実用的な洞察を導き出すことができる。 単一カメラのセットアップを用いて,選手を一括して追跡する,堅牢なエンドツーエンドパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-04-08T18:10:44Z)
• Deep learning for action spotting in association football videos [64.10841325879996]
  SoccerNetイニシアチブは毎年の課題を組織し、世界中の参加者が最先端のパフォーマンスを達成するために競う。 本稿では,スポーツにおけるアクションスポッティングの歴史を,2018年の課題の創出から,現在の研究・スポーツ産業における役割まで遡る。
  論文  参考訳（メタデータ） (2024-10-02T07:56:15Z)
• Deep Understanding of Soccer Match Videos [20.783415560412003]
  サッカーは世界中で最も人気のあるスポーツの1つであり、主要な試合で頻繁に放送される。 本システムでは, サッカーボール, 選手, 審判などの重要な物体を検知できる。 また、プレイヤーとボールの動きを追跡し、プレイヤーの番号を認識し、シーンを分類し、ゴールキックのようなハイライトを識別する。
  論文  参考訳（メタデータ） (2024-07-11T05:54:13Z)
• 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)
• Feature Combination Meets Attention: Baidu Soccer Embeddings and Transformer based Temporal Detection [3.7709686875144337]
  本稿では,サッカー中継ビデオにおけるイベントの発生状況と発生状況を検出するための2段階のパラダイムを提案する。 具体的には,サッカーデータ上に複数のアクション認識モデルを微調整し,ハイレベルなセマンティックな特徴を抽出する。 このアプローチは、サッカーネットv2チャレンジにおける2つのタスク、すなわちアクションスポッティングとリプレイグラウンドにおいて、最先端のパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2021-06-28T08:00:21Z)
• Temporally-Aware Feature Pooling for Action Spotting in Soccer Broadcasts [86.56462654572813]
  私たちは、サッカーの試合の主なアクションを一時的にローカライズするサッカー放送におけるアクションスポッティングの分析に焦点を当てています。 時間的知識を組み込んだNetVLAD++という,NetVLADに基づく新たな機能プーリング手法を提案する。 我々は最近の大規模データセット SoccerNet-v2 の方法論をトレーニングし、評価し、アクションスポッティングのための平均平均mAP 53.4% に達した。
  論文  参考訳（メタデータ） (2021-04-14T11:09:03Z)

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。