Event detection in coarsely annotated sports videos via parallel multi\n receptive field 1D convolutions
Notice bibliographique
Résumé
In problems such as sports video analytics, it is difficult to obtain\naccurate frame level annotations and exact event duration because of the\nlengthy videos and sheer volume of video data. This issue is even more\npronounced in fast-paced sports such as ice hockey. Obtaining annotations on a\ncoarse scale can be much more practical and time efficient. We propose the task\nof event detection in coarsely annotated videos. We introduce a multi-tower\ntemporal convolutional network architecture for the proposed task. The network,\nwith the help of multiple receptive fields, processes information at various\ntemporal scales to account for the uncertainty with regard to the exact event\nlocation and duration. We demonstrate the effectiveness of the multi-receptive\nfield architecture through appropriate ablation studies. The method is\nevaluated on two tasks - event detection in coarsely annotated hockey videos in\nthe NHL dataset and event spotting in soccer on the SoccerNet dataset. The two\ndatasets lack frame-level annotations and have very distinct event frequencies.\nExperimental results demonstrate the effectiveness of the network by obtaining\na 55% average F1 score on the NHL dataset and by achieving competitive\nperformance compared to the state of the art on the SoccerNet dataset. We\nbelieve our approach will help develop more practical pipelines for event\ndetection in sports video.\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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».