Action Spotting using Dense Detection Anchors Revisited: Submission to the SoccerNet Challenge 2022

要約

この簡単な技術報告書は、Action Spotting SoccerNet Challenge 2022 への我々の応募について述べたものである。このチャレンジは、CVPR 2022 ActivityNet Workshopの一部である。私たちは、検出アンカーを高密度にサンプリングし、時間的精度を向上させるという最近提案された手法に基づいて応募しました。この手法は、時間的精度に重点を置いているため、きつい平均-mAP指標において著しい改善を示していました。タイトアベレージマップは、チャレンジの評価基準として使用され、小さな時間評価許容値を用いて定義されるため、小さな時間誤差に対してより敏感であることが特徴です。さらに、結果を向上させるために、ここでは、前処理と後処理のステップに小さな変更を加え、また、レイトフュージョンによって異なる入力特徴タイプを結合しています。これらの変更により、チャレンジで1位を獲得し、また、SoccerNetのテストセットでデータセットの標準的な実験プロトコルを使用した場合、新しい最先端を導くことができるように改善しました。本報告では、密な検出アンカーに基づく行動検出法を簡単にレビューし、次にチャレンジのために導入した修正に焦点を当てます。また、使用した実験プロトコルや学習方法についても説明し、最後に結果を提示する。

要約(オリジナル)

This brief technical report describes our submission to the Action Spotting SoccerNet Challenge 2022. The challenge was part of the CVPR 2022 ActivityNet Workshop. Our submission was based on a recently proposed method which focuses on increasing temporal precision via a densely sampled set of detection anchors. Due to its emphasis on temporal precision, this approach had shown significant improvements in the tight average-mAP metric. Tight average-mAP was used as the evaluation criterion for the challenge, and is defined using small temporal evaluation tolerances, thus being more sensitive to small temporal errors. In order to further improve results, here we introduce small changes in the pre- and post-processing steps, and also combine different input feature types via late fusion. These changes brought improvements that helped us achieve the first place in the challenge and also led to a new state-of-the-art on SoccerNet’s test set when using the dataset’s standard experimental protocol. This report briefly reviews the action spotting method based on dense detection anchors, then focuses on the modifications introduced for the challenge. We also describe the experimental protocols and training procedures we used, and finally present our results.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL