論文の概要: Throwing4: Phase-Aware Pose Modeling for Throw-Distance Prediction in Elite Athletics

• arxiv url: http://arxiv.org/abs/2610.16383v1
• Date: Mon, 12 Oct 2026 08:32:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 06:10:08.69875
• Title: Throwing4: Phase-Aware Pose Modeling for Throw-Distance Prediction in Elite Athletics
• Title（参考訳）: スローティング4: エリートスポーツにおけるスロー距離予測のための位相認識型ポースモデリング
• Abstract要約: 本研究では,ポーズダイナミクスの明確な位相アライメントが,現実的な放送条件下でのスロー-ディスタンス予測を改善するかを検討する。 この研究を支援するために、ディスク、ジャベリン、ハンマー、ショットパットにまたがる500個のエリートスロークリップのデータセットであるThrowing4をキュレートした。 本稿では,レグレッション問題として放送由来のポーズからのスロー・ディスタンス予測を定式化し,位相条件のアプローチと比較する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Elite athletics throwing provides a structured biomechanical action sequence together with an objective continuous outcome, namely throw distance, making it a suitable setting for performance-oriented sports analytics. In this work, we investigate whether explicit phase alignment of pose dynamics improves throw-distance prediction under realistic broadcast conditions. To support this study, we curate Throwing4, a dataset of 500 elite throwing clips spanning javelin, discus, hammer, and shot put, with corresponding two-dimensional pose sequences, frame-level phase annotations, and official distance labels. We formulate throw-distance prediction from broadcast-derived pose as a regression problem and compare full-sequence modeling against a phase-conditioned approach that partitions each attempt into four technique stages and fuses phase-specific motion representations. Experiments across multiple graph-based pose encoders show a consistent reduction in prediction error when phase structure is incorporated, indicating that phase-aligned modeling provides a more stable representation than treating the entire motion as an unstructured sequence. These findings suggest that explicit biomechanical phase information is a useful inductive prior for pose-based performance modeling in elite athletics throwing. Beyond score prediction, the dataset and protocol provide a basis for future work on fine-grained technique analysis, interpretable sports analytics, and robust modeling from broadcast video.
• Abstract（参考訳）: エリート競技の投球は、目的とする連続的な結果、すなわち投球距離と共に構造化された生体力学的アクションシーケンスを提供し、パフォーマンス指向のスポーツ分析に適している。 本研究では,ポーズダイナミクスの明確な位相アライメントが,現実的な放送条件下でのスロー距離予測を改善するかを検討する。 本研究では,ジャベリン,円盤,ハンマー,ショットパットにまたがる500個のエリートスロークリップのデータセットであるThrowing4を,対応する2次元ポーズシーケンス,フレームレベルの位相アノテーション,公式距離ラベルを用いてキュレートする。 本研究では,レグレッション問題として放送由来のポーズからのスロー・ディスタンス予測を定式化し,各試行を4段階に分割し,位相固有動作表現を融合する位相条件付きアプローチと比較する。 複数のグラフベースのポーズエンコーダを用いた実験では、位相構造が組み込まれた場合の予測誤差が一貫した減少を示す。 これらの結果から, スポーツ選手のポーズに基づくパフォーマンスモデリングには, バイオメカニカルフェイズ情報が有用であることが示唆された。 スコア予測以外にも、データセットとプロトコルは、詳細な技術分析、解釈可能なスポーツ分析、放送ビデオからの堅牢なモデリングに関する将来の研究の基礎を提供する。

関連論文リスト

• From Where to How: Continuous 4D Interaction Forecasting from Egocentric Video [62.898774619819676]
  エゴセントリックな4Dインタラクション予測は、将来のインタラクションが3Dで起こる場所と、その実現のために人体がどのように動くかを予測することを目的としている。 コヒーレント4D(Coherent4D)は、3つの領域にわたる約233Kサンプルからなる連続4Dインタラクション予測のための大規模エゴセントリックデータセットである。 HIGFlow(Hand Interaction Guided Residual Flow)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-08T12:06:23Z)
• Toward Personalized Darts Training: A Data-Driven Framework Based on Skeleton-Based Biomechanical Analysis and Motion Modeling [8.715408426200264]
  本稿では,データ駆動型ダーツ訓練支援システムを提案する。 このシステムは、モーションキャプチャー、機能モデリング、パーソナライズされたフィードバックにまたがるクローズドループフレームワークを作成する。 トランクの安定性の低下、肘の異常な変位、速度制御の不均衡を検知し、目標とする推奨を提供する。
  論文  参考訳（メタデータ） (2026-04-01T16:51:30Z)
• GeoMotion: Rethinking Motion Segmentation via Latent 4D Geometry [61.24189040578178]
  そこで本研究では,注目機構を介し,潜在特徴表現から移動対象を直接推論する完全学習型アプローチを提案する。 我々の重要な洞察は、明示的な対応推定を回避し、代わりに、モデルが暗黙的にオブジェクトとカメラの動きを歪めることを学ぶことである。 提案手法は,最先端の動作セグメンテーション性能を高い効率で達成する。
  論文  参考訳（メタデータ） (2026-02-25T11:36:33Z)
• CourtMotion: Learning Event-Driven Motion Representations from Skeletal Data for Basketball [45.88028371034407]
  CourtMotionはプロバスケットボールにおけるゲームイベントやプレーの分析と予測のためのテンポラリなモデリングフレームワークである。 2段階のアプローチでは、まず、グラフニューラルネットワークを通じて骨格追跡データを処理し、ニュアンスした動きパターンをキャプチャします。 選手の動きを、パス、ショット、ステルスなどのバスケットボールイベントに明示的に結びつけるイベントプロジェクションヘッドを導入し、物理的な動きパターンと目的を関連付けるためにモデルを訓練する。
  論文  参考訳（メタデータ） (2025-12-01T09:58:24Z)
• Spatial-Temporal Graph Diffusion Policy with Kinematic Modeling for Bimanual Robotic Manipulation [88.83749146867665]
  既存のアプローチは、遠く離れた次のベストなエンドエフェクタのポーズを予測するポリシーを学びます。 すると、運動に対する対応する関節回転角を逆運動学を用いて計算する。 本稿では,Kinematics 拡張空間テンポアル gRaph diffuser を提案する。
  論文  参考訳（メタデータ） (2025-03-13T17:48:35Z)
• CoMusion: Towards Consistent Stochastic Human Motion Prediction via Motion Diffusion [6.862357145175449]
  本稿では,単一段階の終端拡散型HMPフレームワークであるCoMusionを提案する。 CoMusionは、スムーズな将来のポーズ予測性能が空間予測性能を改善するという洞察から着想を得ている。 提案手法はTransformer-GCNモジュール設計と分散スケジューラによって促進され,精度,現実性,一貫した動作を予測する。
  論文  参考訳（メタデータ） (2023-05-21T19:31:56Z)
• Generating Smooth Pose Sequences for Diverse Human Motion Prediction [90.45823619796674]
  本稿では,多様な動作予測と制御可能な動作予測のための統合された深部生成ネットワークを提案する。 標準ベンチマークデータセットであるHuman3.6MとHumanEva-Iの2つの実験は、我々のアプローチがサンプルの多様性と精度の両方において最先端のベースラインより優れていることを示した。
  論文  参考訳（メタデータ） (2021-08-19T00:58:00Z)
• Learning Dynamics via Graph Neural Networks for Human Pose Estimation and Tracking [98.91894395941766]
  ポーズ検出とは無関係なポーズダイナミクスを学習する新しいオンライン手法を提案する。 具体的には、空間的・時間的情報と視覚的情報の両方を明示的に考慮したグラフニューラルネットワーク(GNN)を通して、このダイナミクスの予測を導出する。 PoseTrack 2017とPoseTrack 2018データセットの実験では、提案手法が人間のポーズ推定とトラッキングタスクの両方において、技術の現状よりも優れた結果が得られることを示した。
  論文  参考訳（メタデータ） (2021-06-07T16:36:50Z)
• Panoptic Segmentation Forecasting [71.75275164959953]
  我々の目標は、最近の観測結果から近い将来の予測を行うことです。 この予測能力、すなわち予測能力は、自律的なエージェントの成功に不可欠なものだと考えています。 そこで我々は,2成分モデルを構築した。一方のコンポーネントは,オードメトリーを予測して背景物の力学を学習し,他方のコンポーネントは検出された物の力学を予測する。
  論文  参考訳（メタデータ） (2021-04-08T17:59:16Z)

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。