論文の概要: Zero-Shot Multimodal Event Spotting in Soccer Broadcasts

• arxiv url: http://arxiv.org/abs/2610.37583v1
• Date: Tue, 27 Oct 2026 17:24:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.731054
• Title: Zero-Shot Multimodal Event Spotting in Soccer Broadcasts
• Title（参考訳）: サッカー放送におけるゼロショットマルチモーダルイベントスポッティング
• Abstract要約: 本稿では,タスク固有のパラメータトレーニングを使わずに,サッカー放送中の事象を検出し,分類し,時間的に局所化するフレームワークを提案する。 130のイベントを含む3つの手動のアノテートマッチでは、最高の構成は72.0%のF1@5sを達成し、ApolloNetでトレーニングされたCALFとNetVLAD++をクロスデータセット設定で上回る。 本稿では,検出された事象をハイライト選択のための自然言語による説明でランク付けするエビデンスグラウンドの興奮評価ステージを紹介する。
• 参考スコア（独自算出の注目度）: 1.4826128717509335
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automatic soccer event spotting supports highlight generation, video indexing, and sports analytics, but existing methods depend on large annotated datasets and soccer-specific training. We present a zero-shot framework that detects, classifies, and temporally localizes events in full-length soccer broadcasts without task-specific parameter training. Each match is segmented into overlapping clips represented by a compact visual storyboard and the aligned commentary transcript, which a general-purpose multimodal model processes jointly. On three manually annotated matches containing 130 events, the best configuration achieves 72.0% F1@5s and outperforms SoccerNet-trained CALF and NetVLAD++ in a cross-dataset setting, while the storyboard representation reduces inference cost by 72% compared with individual frames. We further analyze the effects of model family, input representation, and prompt optimization, and introduce an evidence-grounded excitement-scoring stage that ranks detected events with natural-language explanations for highlight selection.
• Abstract（参考訳）: 自動サッカーイベントスポッティングはハイライト生成、ビデオインデックス、スポーツ分析をサポートするが、既存の手法は大きな注釈付きデータセットとサッカー特有のトレーニングに依存している。 本稿では,タスク固有のパラメータトレーニングを使わずに,フル長のサッカー放送におけるイベントの検出,分類,時間的局所化を行うゼロショットフレームワークを提案する。 各マッチは、コンパクトなビジュアル・ストーリーボードで表される重なり合うクリップと、汎用マルチモーダル・モデルが共同で処理するアライメント・コメンタリー・トランスクリプトに分割される。 130のイベントを含む3つの手動アノテートマッチでは、最高の構成は72.0%のF1@5sを達成し、SlobalNetでトレーニングされたCALFとNetVLAD++をクロスデータセット設定で上回り、ストーリーボード表現は個々のフレームと比較して推論コストを72%削減する。 さらに、モデルファミリ、入力表現、即時最適化の効果を分析し、検出された事象をハイライト選択のための自然言語説明とともにランク付けするエビデンスグラウンドの興奮スコアステージを導入する。

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)
• SoccerHigh: A Benchmark Dataset for Automatic Soccer Video Summarization [4.716748055888426]
  ビデオ要約は、長いビデオからキーショットを抽出し、簡潔で情報的な要約を生成することを目的としている。 本稿では,サッカー映像要約のためのキュレートされたデータセットについて紹介する。 目的の要約の長さによって制約された新しいメトリクスを提案し、生成されたコンテンツのより客観的な評価を可能にする。
  論文  参考訳（メタデータ） (2025-09-01T12:49:51Z)
• Grounding Partially-Defined Events in Multimodal Data [61.0063273919745]
  部分定義イベントに対するマルチモーダル定式化を導入し、これらのイベントの抽出を3段階スパン検索タスクとしてキャストする。 このタスクのベンチマークであるMultiVENT-Gを提案し,22.8Kのラベル付きイベント中心エンティティを含む,14.5時間の高密度アノテーション付き現在のイベントビデオと1,168のテキストドキュメントからなる。 結果は、イベント理解の抽象的な課題を示し、イベント中心のビデオ言語システムにおける約束を実証する。
  論文  参考訳（メタデータ） (2024-10-07T17:59:48Z)
• 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)
• CLIP-Event: Connecting Text and Images with Event Structures [123.31452120399827]
  視覚言語事前学習モデルを適用したコントラスト学習フレームワークを提案する。 我々は、イベント構造知識を得るために、テキスト情報抽出技術を利用する。 実験により、ゼロショットCLIP-Eventは引数抽出において最先端の教師付きモデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-01-13T17:03:57Z)
• Prompting Visual-Language Models for Efficient Video Understanding [28.754997650215486]
  本稿では,事前学習した1つの視覚言語モデルを,最小限のトレーニングで新しいタスクに効果的に適応させる方法を提案する。 静的画像とビデオのギャップを埋めるために、フレームワイドの視覚的特徴の上に軽量なトランスフォーマーを積み重ねたテンポラリな情報をエンコードする。
  論文  参考訳（メタデータ） (2021-12-08T18:58:16Z)
• 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)
• Automatic Pass Annotation from Soccer VideoStreams Based on Object Detection and LSTM [6.87782863484826]
  PassNetは、サッカーで最も頻繁なイベント、すなわちパスをビデオストリームから認識する方法である。 その結果,パス検出の精度が向上し,良好な結果が得られた。 PassNetは自動イベントアノテーションシステムへの第一歩です。
  論文  参考訳（メタデータ） (2020-07-13T16:14:41Z)
• 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。