A Boosted Model Ensembling Approach to Ball Action Spotting in Videos: The Runner-Up Solution to CVPR’23 SoccerNet Challenge

要約

この技術レポートでは、ボール アクション スポッティングに対する当社のソリューションをビデオで紹介します。
私たちの手法は、CVPR’23 SoccerNet Challenge で 2 位になりました。
このチャレンジの詳細は、https://www.soccer-net.org/tasks/ball-action-spotting でご覧いただけます。
私たちのアプローチは、このコンテストの主催者によって提供された、E2E-Spot と呼ばれるベースライン モデルに基づいて開発されました。
まず、E2E-Spot モデルのいくつかのバリアントを生成し、候補モデル セットを作成しました。
次に、このセットから適切なモデル メンバーを選択し、各モデルに適切な重みを割り当てる戦略を提案しました。
この戦略の目的は、結果として得られるモデル アンサンブルのパフォーマンスを向上させることです。
したがって、私たちはこのアプローチを Boosted Model Ensembling (BME) と呼びます。
私たちのコードは https://github.com/ZJLAB-AMMI/E2E-Spot-MBS で入手できます。

要約(オリジナル)

This technical report presents our solution to Ball Action Spotting in videos. Our method reached second place in the CVPR’23 SoccerNet Challenge. Details of this challenge can be found at https://www.soccer-net.org/tasks/ball-action-spotting. Our approach is developed based on a baseline model termed E2E-Spot, which was provided by the organizer of this competition. We first generated several variants of the E2E-Spot model, resulting in a candidate model set. We then proposed a strategy for selecting appropriate model members from this set and assigning an appropriate weight to each model. The aim of this strategy is to boost the performance of the resulting model ensemble. Therefore, we call our approach Boosted Model Ensembling (BME). Our code is available at https://github.com/ZJLAB-AMMI/E2E-Spot-MBS.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google