Widely Applicable Strong Baseline for Sports Ball Detection and Tracking

要約

この研究では、さまざまなスポーツ カテゴリに適用できる新しいスポーツ ボール検出および追跡 (SBDT) 手法を紹介します。
私たちのアプローチは、(1) 高解像度の特徴抽出、(2) 位置を意識したモデルのトレーニング、(3) 時間的一貫性を考慮した推論で構成され、これらすべてが新しい SBDT ベースラインとしてまとめられます。
さらに、私たちのアプローチの幅広い適用可能性を検証するために、さまざまなスポーツ カテゴリの 5 つのデータセットでベースラインを 6 つの最先端の SBDT 手法と比較します。
これは、2 つの SBDT データセットを新たに導入し、2 つのデータセットに新しいボール アノテーションを提供し、広範な比較を容易にするためにすべてのメソッドを再実装することで実現します。
実験結果は、データセットがカバーするすべてのスポーツ カテゴリにおいて、私たちのアプローチが既存の手法よりも大幅に優れていることを示しています。
私たちは、私たちが提案した手法が SBDT の広く適用可能な強力なベースライン (WASB) として機能できると信じており、私たちのデータセットとコードベースは将来の SBDT 研究を促進すると考えています。
データセットとコードは https://github.com/nttcom/WASB-SBDT で入手できます。

要約(オリジナル)

In this work, we present a novel Sports Ball Detection and Tracking (SBDT) method that can be applied to various sports categories. Our approach is composed of (1) high-resolution feature extraction, (2) position-aware model training, and (3) inference considering temporal consistency, all of which are put together as a new SBDT baseline. Besides, to validate the wide-applicability of our approach, we compare our baseline with 6 state-of-the-art SBDT methods on 5 datasets from different sports categories. We achieve this by newly introducing two SBDT datasets, providing new ball annotations for two datasets, and re-implementing all the methods to ease extensive comparison. Experimental results demonstrate that our approach is substantially superior to existing methods on all the sports categories covered by the datasets. We believe our proposed method can play as a Widely Applicable Strong Baseline (WASB) of SBDT, and our datasets and codebase will promote future SBDT research. Datasets and codes are available at https://github.com/nttcom/WASB-SBDT .

arxiv情報

提供元, 利用サービス

arxiv.jp, Google