論文の概要: TTNet: Multi-Task Deep Learning for Table Tennis Player Analysis with Smart Racket

• arxiv url: http://arxiv.org/abs/2610.07823v1
• Date: Tue, 06 Oct 2026 06:18:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.841367
• Title: TTNet: Multi-Task Deep Learning for Table Tennis Player Analysis with Smart Racket
• Title（参考訳）: TTNet:スマートラケットを用いたテーブルテニスプレーヤー分析のためのマルチタスクディープラーニング
• Abstract要約: 本研究では,スマートテーブルテニスラケットで収集した6軸センサデータに着目した。 本稿では,マルチタスク学習機能を備えた新しいディープラーニングモデルTTNetを提案する。 私たちのアプローチは、公式の競争リーダーボードで2位を獲得しました。
• 参考スコア（独自算出の注目度）: 0.09545101073027094
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: The AI CUP 2025 Precise Analysis of Table Tennis Smart Racket Data Competition introduced smart table tennis rackets that collect extensive player swing data, enabling research on table tennis big data. These data support in-depth analysis of players' return techniques and swing-force consistency, improving the accuracy of player skill assessment. This study focuses on six-axis sensor data collected by smart table tennis rackets and proposes TTNet, a novel deep learning model with multitask learning capabilities, to advance table tennis data analysis and related applications. TTNet combines convolutional neural networks (CNNs), residual networks (ResNet), and self-attention mechanisms to simultaneously predict four player attributes: gender, playing hand, years of experience, and skill level. We adopt a two-stage training strategy that incorporates data augmentation and task-specific loss functions to improve generalization on imbalanced data. Our approach achieved second place on the official competition leaderboard.
• Abstract（参考訳）: AI CUP 2025 テーブルテニスの精密分析 スマートラケットデータコンペティションは、広範なプレーヤースイングデータを収集し、テーブルテニスのビッグデータの研究を可能にするスマートテーブルテニスラケットを導入した。 これらのデータは、プレーヤーのリターンテクニックの詳細な分析とスイングフォースの一貫性をサポートし、プレイヤーのスキル評価の精度を向上させる。 本研究では,スマートテーブルテニスラケットが収集した6軸センサデータに着目し,マルチタスク学習機能を備えた新しいディープラーニングモデルTTNetを提案する。 TTNetは、畳み込みニューラルネットワーク(CNN)、残留ネットワーク(ResNet)、自己認識メカニズムを組み合わせて、4つのプレイヤー属性を同時に予測する。 我々は、不均衡なデータの一般化を改善するために、データ拡張とタスク固有の損失関数を組み込んだ2段階のトレーニング戦略を採用する。 私たちのアプローチは、公式の競争リーダーボードで2位を獲得しました。

関連論文リスト

• Topological Data Analysis and Graph-Theoretic Approaches for Tennis Match Prediction [67.45502291821956]
  本稿では, トポロジカルデータ解析とグラフ理論を用いて, テニスの試合結果を予測する2つの手法を提案する。 最初の方法はプレイヤーの競争ネットワークに低星フィルターを適用し、永続的ホモロジーを通して位相的特徴を抽出する。 第2の方法は、時間的エッジ重み付けを施したKatz類似度指数を用いて、保持試験データに対して62.48%の精度を達成している。
  論文  参考訳（メタデータ） (2026-07-26T07:18:43Z)
• Enhancing Sports Strategy with Video Analytics and Data Mining: Automated Video-Based Analytics Framework for Tennis Doubles [3.1130310881807]
  このフレームワークは、グラウンディングディーノのような高度な機械学習技術と、自然言語の接地による正確なプレイヤーローカライゼーションと、ロバストなポーズ推定のためのYOLO-Poseを統合している。 テニスの試合データに対する我々のアプローチを評価し,CNNを用いたトランスファー学習を用いたモデルが,ショットタイプ,プレーヤ位置,フォーメーションの予測において,ポーズベースの手法よりもかなり優れていることを示す。
  論文  参考訳（メタデータ） (2025-06-24T06:48:55Z)
• Classification of Tennis Actions Using Deep Learning [0.0]
  本研究では,深層学習によるテニス行動の分類の可能性と課題について検討する。 テニスデータセットTheTISを用いて,異なる大きさの3つのモデルを訓練し,評価した。 最高のモデルは74 %の一般化精度を達成し、テニスアクション分類に優れた性能を示す。
  論文  参考訳（メタデータ） (2024-02-04T15:48:20Z)
• TTSWING: a Dataset for Table Tennis Swing Analysis [1.539942973115038]
  このデータセットは、カスタムメイドのラケットグリップに統合された9軸センサーを介して得られる包括的なスイング情報を含む。 データ収集とアノテーションの手順について詳述する。 各種機械学習モデルを用いたスイング解析のパイロット実験を行った。
  論文  参考訳（メタデータ） (2023-06-30T11:06:46Z)
• Offline Q-Learning on Diverse Multi-Task Data Both Scales And Generalizes [100.69714600180895]
  オフラインのQ-ラーニングアルゴリズムは、モデルキャパシティでスケールする強力なパフォーマンスを示す。 最大8000万のパラメータネットワークを用いて,40のゲームに対してほぼ人間に近いパフォーマンスで1つのポリシーをトレーニングする。 リターン条件付き教師付きアプローチと比較して、オフラインQラーニングはモデルキャパシティと同様にスケールし、特にデータセットが最適以下である場合にはパフォーマンスが向上する。
  論文  参考訳（メタデータ） (2022-11-28T08:56:42Z)
• Motivating Learners in Multi-Orchestrator Mobile Edge Learning: A Stackelberg Game Approach [54.28419430315478]
  Mobile Edge Learningは、異種エッジデバイス上で機械学習モデルの分散トレーニングを可能にする。 MELでは、十分なトレーニングデータやコンピューティングリソースを入手することなく、トレーニング性能が低下する。 そこで我々は2ラウンドのStackelbergゲームとしてオーケストレータとラーナーの相互作用を定式化するインセンティブ機構を提案する。
  論文  参考訳（メタデータ） (2021-09-25T17:27:48Z)
• Table Tennis Stroke Recognition Using Two-Dimensional Human Pose Estimation [0.0]
  本稿では,卓球映像データを集め,ストローク検出と分類を行う新しい手法を提案する。 14人のプロ卓球選手から得られた11の基本的なストロークのビデオデータを含む多様なデータセットが収集されている。 2次元ポーズ推定を用いて開発された時間畳み込みニューラルネットワークモデルは、これら11の卓球ストロークのマルチクラス分類を行う。
  論文  参考訳（メタデータ） (2021-04-20T11:32:43Z)
• Game Plan: What AI can do for Football, and What Football can do for AI [83.79507996785838]
  予測的および規範的フットボール分析は、統計学習、ゲーム理論、コンピュータビジョンの交差点における新たな発展と進歩を必要とする。 フットボール分析は、サッカー自体のゲームを変えるだけでなく、この領域がAIの分野で何を意味するのかという観点からも、非常に価値の高いゲームチェンジャーであることを示す。
  論文  参考訳（メタデータ） (2020-11-18T10:26:02Z)
• Graph-Based Neural Network Models with Multiple Self-Supervised Auxiliary Tasks [79.28094304325116]
  グラフ畳み込みネットワークは、構造化されたデータポイント間の関係をキャプチャするための最も有望なアプローチである。 マルチタスク方式でグラフベースニューラルネットワークモデルを学習するための3つの新しい自己教師付き補助タスクを提案する。
  論文  参考訳（メタデータ） (2020-11-14T11:09:51Z)
• TTNet: Real-time temporal and spatial video analysis of table tennis [5.156484100374058]
  本稿では,高精細度卓球ビデオのリアルタイム処理を目的としたニューラルネットワークを提案する。 このアプローチは、自動参照システムによるスコア更新を推論するためのコア情報を提供する。 イベントをラベル付けした120fpsのテーブルテニスゲームのビデオ付きマルチタスクデータセットOpenTTGamesを公開している。
  論文  参考訳（メタデータ） (2020-04-21T11:57:51Z)

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。