論文の概要: Event Detection in Table Tennis Videos using 2D Keypoints

• arxiv url: http://arxiv.org/abs/2610.08286v1
• Date: Tue, 06 Oct 2026 12:55:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.988299
• Title: Event Detection in Table Tennis Videos using 2D Keypoints
• Title（参考訳）: 2次元キーポイントを用いたテーブルテニス映像中の事象検出
• Abstract要約: EventNetは、テーブルテニスビデオのキーイベントを検出するための2段階のパイプラインである。 提案手法はF1スコア91.16%、予測フレーム0.42の平均フレーム偏差を達成している。
• 参考スコア（独自算出の注目度）: 24.500912131172484
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper addresses the challenge of automatic, frame-accurate event detection in table tennis videos. Current methods for estimating 3d ball trajectories and ball spin typically require that key events, such as ball-racket contacts, have already been identified in advance. This requirement makes it difficult to apply these methods to longer, unedited video recordings. To overcome this limitation, we propose EventNet, a two-stage pipeline to detect key events: (1) 2d keypoints are extracted of the upper-body poses for both players, table corners and ball center. A small keypoint transformer combines them into a compact representation that is robust to changes in viewpoint, lighting, and background clutter. (2) The temporal sequences of these frame-based representations are processed by a transformer encoder that predicts two time-to-event values for each frame, indicating how close the current frame is to the next and previous ball-racket contact. One novelty is a new, temporal cosine-like target signal. Furthermore, we introduce viewpoint augmentation via 3D reprojection and frame-rate augmentation to improve robustness and generalization. Our extensive ablation study gives deeper insights into the importance of various architectural and training aspects. Experimental results show that the proposed approach achieves an F1 score of 91.16% and a mean frame deviation between ground truth and predicted frame of 0.42 on the Latte-MV dataset and 73.08% / 1.16 on the challenging TTHQ dataset. Overall, our work demonstrates that 2d keypoint-based temporal modeling with our EventNet architecture is a promising and practical approach for automatic event detection in table tennis videos.
• Abstract（参考訳）: 本稿では,テーブルテニスビデオにおけるフレーム精度の自動検出の課題について述べる。 3dの球軌道と球スピンを推定する現在の方法は、通常、ボールラケット接触のような重要な事象が事前に特定されていることを要求している。 この要件により、これらの手法をより長く未編集のビデオ記録に適用することは困難である。 この制限を克服するために,(1) 2dキーポイントを,プレイヤー,テーブルコーナー,ボールセンターの双方に対して上半身ポーズから抽出する2段階のパイプラインであるEventNetを提案する。 小さなキーポイント変換器はそれらを、視点、照明、背景の乱れの変化に対して堅牢なコンパクトな表現に結合する。 2) フレームベースの表現の時間的シーケンスは,各フレームの2つの時間対変動値を予測するトランスフォーマーエンコーダによって処理され,現在のフレームが次と前の球ラケット接触にどの程度近いかを示す。 1つの新規性は、新しい時間的コサインのような標的信号である。 さらに,3次元再プロジェクションとフレームレート拡張による視点拡張を導入し,ロバストさと一般化を向上する。 私たちの広範囲にわたるアブレーション研究は、さまざまなアーキテクチャやトレーニングの側面の重要性について深い洞察を与えてくれます。 実験結果から, 提案手法はF1スコア91.16%, ラッテ-MVデータセットでは0.42, TTHQデータセットでは73.08%/1.16となることがわかった。 全体として、私たちのEventNetアーキテクチャを用いた2次元キーポイントベースの時間モデリングは、テーブルテニスビデオにおける自動イベント検出のための有望かつ実用的なアプローチであることを示す。

関連論文リスト

• 1000 Rallies: An Event-Camera Dataset and Real-Time Learned Ball-State Estimation for Robotic Table Tennis [9.183928190216532]
  本稿では,テーブルテニスのための大規模なイベントカメラデータセットについて紹介する。 我々は、背景選手の動きに頑健な畳み込みニューラルネットワークを訓練し、イベントから画像平面におけるボールの位置と速度を共同で推定する。 イベントベースのシステムをStubliロボットアームに統合することで、知覚行動ループを閉じる。
  論文  参考訳（メタデータ） (2026-06-24T09:28:21Z)
• E.M.Ground: A Temporal Grounding Vid-LLM with Holistic Event Perception and Matching [87.38371267983263]
  時間的ビデオグラウンディングは、クエリイベントに対応する時間セグメントを正確にローカライズすることを目的としている。 E.M.GroundはTVGのための新しいVid-LLMで、総合的で一貫性のあるイベント知覚に焦点を当てている。 E.M.Ground は最先端の Vid-LLM を著しく上回っている。
  論文  参考訳（メタデータ） (2026-02-05T02:16:00Z)
• Exploring Event-based Human Pose Estimation with 3D Event Representations [26.34100847541989]
  我々は、Rasterized Event Point Cloud(Ras EPC)とDecoupled Event Voxel(DEV)の2つの3Dイベント表現を紹介した。 Ras EPCは、簡潔な時間スライス内のイベントを同じ位置で集約し、それらの3D属性を統計情報と共に保存し、メモリと計算要求を大幅に削減する。 提案手法は,DHP19公開データセット,MMHPSDデータセット,EV-3DPWデータセットで検証し,誘導駆動シーンデータセットEV-JAADと屋外収集車両によるさらなる定性検証を行った。
  論文  参考訳（メタデータ） (2023-11-08T10:45:09Z)
• EventTransAct: A video transformer-based framework for Event-camera based action recognition [52.537021302246664]
  イベントカメラは、RGBビデオの標準アクション認識と比較して、新しい機会を提供する。 本研究では,最初にイベントフレーム当たりの空間埋め込みを取得するビデオトランスフォーマーネットワーク(VTN)という,計算効率のよいモデルを用いる。 イベントデータのスパースできめ細かい性質にVTNをよりよく採用するために、イベントコントラストロス(mathcalL_EC$)とイベント固有の拡張を設計する。
  論文  参考訳（メタデータ） (2023-08-25T23:51:07Z)
• TAPIR: Tracking Any Point with per-frame Initialization and temporal Refinement [64.11385310305612]
  本稿では,ビデオシーケンスを通して任意の物理面上の問合せ点を効果的に追跡する,TAP(Tracking Any Point)の新しいモデルを提案する。 提案手法では,(1)他のフレームの問合せ点に対する適切な候補点マッチングを独立に特定するマッチング段階と,(2)局所的相関に基づいてトラジェクトリと問合せの両方を更新する改良段階の2段階を用いる。 結果として得られたモデルは、DAVISにおける平均約20%の絶対平均ジャカード(AJ)改善によって示されるように、TAP-Vidベンチマークにおける大きなマージンで、すべてのベースライン手法を上回ります。
  論文  参考訳（メタデータ） (2023-06-14T17:07:51Z)
• Dual Memory Aggregation Network for Event-Based Object Detection with Learnable Representation [79.02808071245634]
  イベントベースのカメラはバイオインスパイアされたセンサーで、各ピクセルの明るさ変化を非同期に捉える。 イベントストリームは、正極性と負極性の両方のためにx-y-t座標の格子に分割され、3次元テンソル表現として柱の集合が生成される。 長メモリは適応型convLSTMの隠れ状態に符号化され、短メモリはイベントピラー間の空間的時間的相関を計算することによってモデル化される。
  論文  参考訳（メタデータ） (2023-03-17T12:12:41Z)
• Stand-Alone Inter-Frame Attention in Video Models [164.06137994796487]
  フレーム間アテンションブロック,すなわちスタンドアローン時空間アテンション(SIFA)の新たなレシピを提案する。 SIFAは、2つのフレームの違いによってオフセット予測を再スケーリングすることで、変形可能な設計を再構築する。 さらに、SIFAブロックをConvNetsとVision Transformerにプラグインし、SIFA-NetとSIFA-Transformerを考案する。
  論文  参考訳（メタデータ） (2022-06-14T15:51:28Z)
• RMS-Net: Regression and Masking for Soccer Event Spotting [52.742046866220484]
  イベントラベルとその時間的オフセットを同時に予測できる,軽量でモジュール化されたアクションスポッティングネットワークを開発した。 SoccerNetデータセットでテストし、標準機能を使用して、完全な提案は3平均mAPポイントで現在の状態を超えます。
  論文  参考訳（メタデータ） (2021-02-15T16:04:18Z)
• 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)
• Event detection in coarsely annotated sports videos via parallel multi receptive field 1D convolutions [14.30009544149561]
  スポーツビデオ分析のような問題では、正確なフレームレベルのアノテーションと正確なイベント時間を得るのは難しい。 粗い注釈付きビデオにおけるイベント検出の課題を提案する。 本稿では,提案課題に対する多層時間畳み込みネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-04-13T19:51:25Z)

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。