Puck localization and multi-task event recognition in broadcast hockey\n videos
Notice bibliographique
Résumé
Puck localization is an important problem in ice hockey video analytics\nuseful for analyzing the game, determining play location, and assessing puck\npossession. The problem is challenging due to the small size of the puck,\nexcessive motion blur due to high puck velocity and occlusions due to players\nand boards. In this paper, we introduce and implement a network for puck\nlocalization in broadcast hockey video. The network leverages expert NHL\nplay-by-play annotations and uses temporal context to locate the puck. Player\nlocations are incorporated into the network through an attention mechanism by\nencoding player positions with a Gaussian-based spatial heatmap drawn at player\npositions. Since event occurrence on the rink and puck location are related, we\nalso perform event recognition by augmenting the puck localization network with\nan event recognition head and training the network through multi-task learning.\nExperimental results demonstrate that the network is able to localize the puck\nwith an AUC of $73.1 \\%$ on the test set. The puck location can be inferred in\n720p broadcast videos at $5$ frames per second. It is also demonstrated that\nmulti-task learning with puck location improves event recognition accuracy.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».