論文の概要: Can Event Detectors Leave the Broadcast Camera? Evidence from Tennis
- arxiv url: http://arxiv.org/abs/2610.38042v1
- Date: Tue, 27 Oct 2026 22:54:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-01 01:32:09.925644
- Title: Can Event Detectors Leave the Broadcast Camera? Evidence from Tennis
- Title(参考訳): イベント検知器はカメラを外せるか? テニスの証拠
- Abstract要約: 放送、固定された高架、電話、裁判所レベルの視点を混合した8つのクリップで、345バウンスとアノテーションのベンチマークをフレームレベルでリリースしました。
その上で、放送重量が公表された正確なスポッター、ゼロショットビジョン言語モデルが2つ、ボールトラックとプレーヤーのポーズ上の調停層であるRallyArbをスコア付けしました。
- 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: Ball bounces and racket hits are the events from which tennis statistics are derived, and on monocular video the two are easy to confuse. We release a benchmark of 345 bounce and hit annotations at frame level on eight clips that mix broadcast, fixed elevated, phone and court-level viewpoints, with a frozen development and test split, a confusion-aware matcher, clip-level bootstrap intervals and a blind second annotation of three clips. On it we score supervised precise spotters with published broadcast weights, two zero-shot vision-language models, and RallyArb, an arbitration layer over a ball track and player poses that fits no parameter on event labels. The supervised spotters score near-perfectly on broadcast footage and almost nothing on phone and court-level footage, where the pooled bounce F1 of E2E-Spot is 0.130. RallyArb keeps a bounce F1 above 0.8 on the three phone and court-level clips, two of which were used to tune it, and finds 8 of 11 bounces on the held-out one, but it places hits too far from the contact frame to match human timing. The vision-language models detect events on every viewpoint and miss the contact frame by about 0.1 s. Fine-tuned leave-one-clip-out from its broadcast weights, the spotter reaches about 0.8 bounce F1 on two phone and court-level clips and stays at 0.2 on a grazing phone angle. The annotations, the evaluator and the frozen predictions of every scored row are released.
- Abstract(参考訳): ボールバウンスとラケットヒットは、テニス統計が導出されるイベントであり、モノクロビデオでは2つが容易に混同される。
放送、固定された高架、電話、裁判所レベルの視点、凍結した開発とテストの分割、混乱を意識したマーカ、クリップレベルのブートストラップ間隔、盲目な第2の3クリップアノテーションを混合した8つのクリップに対して、345バウンスとアノテーションのベンチマークをフレームレベルでリリースした。
その上で、放送重量が公表された正確なスポッター、ゼロショットビジョン言語モデルが2つ、ボールトラック上の調停層であるRallyArbと、イベントラベルにパラメータが収まらないプレーヤのポーズをスコア付けします。
E2E-SpotのプールバウンスF1は0.130である。
RallyArbは、3つの電話と裁判所レベルのクリップでF1のバウンスを0.8以上保持しており、そのうち2つは調整に使われ、ホールドアウトされたクリップでは11バウンスのうち8つを見つけています。
視覚言語モデルは、あらゆる視点における事象を検出し、約0.1秒で接触フレームを見逃す。
スポッターは2つの電話と裁判所レベルのクリップで約0.8バウンスF1に達し、グラジングフォンの角度で0.2に留まる。
各行のアノテーション、評価子、凍結予測が解放される。
関連論文リスト
- Event Detection in Table Tennis Videos using 2D Keypoints [24.500912131172484]
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。
論文 参考訳(メタデータ) (2026-10-06T12:55:58Z) - Probabilistic Pedestrian Forecasts from a Handheld Phone: World-Frame Heat Maps, Visual-Inertial Height Drift, and Evaluation without Ground Truth [0.0]
スマートフォンを持った歩行者は、近くの人が数秒以内にどこにいるかを示すことができる。もし予測が地上に留まり、携帯電話が動いている間、調整され、モノクロカメラと視覚慣性眼振計(VIO)しか必要としない。
線平面交叉により床上に持ち上げられ、重力整列距離フレームで追跡され、鳥眼(SDD)と1対1(EgoTraj-Bench)で負の対数損失(NLL)を訓練した小さなU-Netにより、ステップごとの確率マップとして予測される。
論文 参考訳(メタデータ) (2026-10-03T20:01:28Z) - Prompt, Probe, Train, or Annotate? Single-camera sports video understanding in amateur settings [0.0]
テストケースとしてバレーボールを用いると、一般的なビデオやワールドモデルベンチマークでの強いパフォーマンスが、プレーヤーごとの信頼性の高い属性に変換されるかどうかを問う。
我々は,46,648人の接触者による66のアマチュア試合において,各段階での4つのアプローチ(プロンプティングとエージェント推論,小さな訓練を受けた専門家による古典的コンピュータビジョン,自己指導型ビデオワールドモデル,手動アノテーション)を評価する。
論文 参考訳(メタデータ) (2026-09-23T13:05:24Z) - CALIPER: Clean Scenes Cannot Rank Physical Inference in Pretrained Visual Representations [0.0]
物体がどれだけスライドするかは、その質量と摩擦に依存します。
物理学を推論するエンコーダと、そうでないエンコーダを区別できないことを示す。
論文 参考訳(メタデータ) (2026-09-08T04:49:42Z) - The Low Frequency Trap: Video Language Models Fail at Simple Event Bookkeeping [70.07961857926377]
3つの制御されたビデオタスクにおけるイベントカウントのためのトレーサグラウンドパラメトリックプロファイリングを導入する。
2,190本のビデオでは,レンダリングを保ちながらイベントカウントNと周波数Fが異なる。
80%の信頼性しきい値において、Gemini 3.6 Flashは、0.5Hzと1.0Hzの12イベントまでの永続的な状態遷移を確実にカウントするが、過渡的点滅イベントに対する信頼性の高い正カウント領域は示さない。
論文 参考訳(メタデータ) (2026-08-06T17:57:06Z) - WorldPose: A World Cup Dataset for Global 3D Human Pose Estimation [67.28831601491447]
WorldPoseは、野生における多人数のグローバルポーズ推定の研究を進めるための、新しいデータセットである。
我々はHDカメラの静的多視点設定を利用して、前例のない精度で3Dプレーヤーのポーズと動きを復元する。
得られたデータセットは80以上のシークエンスで構成され、約2.5万の3Dポーズと総走行距離は120km以上である。
論文 参考訳(メタデータ) (2025-01-06T05:24:38Z) - Perception Test: A Diagnostic Benchmark for Multimodal Video Models [78.64546291816117]
本稿では,事前学習したマルチモーダルモデルの知覚と推論能力を評価するために,新しいマルチモーダルビデオベンチマークを提案する。
知覚テストは、スキル(記憶、抽象化、物理学、セマンティックス)と、ビデオ、オーディオ、テキストモダリティ間の推論(記述的、説明的、予測的、反ファクト的)のタイプに焦点を当てている。
このベンチマークは、ゼロショット/少数ショットまたは限定的な微調整方式で、転送機能の事前訓練されたモデルを探索する。
論文 参考訳(メタデータ) (2023-05-23T07:54:37Z) - P2ANet: A Dataset and Benchmark for Dense Action Detection from Table Tennis Match Broadcasting Videos [64.57435509822416]
この作品は、ワールド・テーブルテニス選手権とオリンピアードのプロの卓球試合の放送ビデオから収集された2,721本のビデオクリップで構成されている。
強調局所化と強調認識という2つのアクション検出問題を定式化する。
その結果、TheNameは依然として困難なタスクであり、ビデオからの高密度なアクション検出のための特別なベンチマークとして使用できることを確認した。
論文 参考訳(メタデータ) (2022-07-26T08:34:17Z) - 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)
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。