Assessing the Quality of Soccer Shots from Single-Camera Video with Vision-Language Models and Motion Features
Notice bibliographique
Résumé
Automated quality assessment (AQA) of football striking technique typically relies on wearable inertial units or multi-camera marker-based systems that impose substantial logistical overhead. We propose a single-camera, vision-language pipeline that combines raw video with engineered 3D kinematic features and leverages a Vision-Language Model (VLM) to generate expert-style feed-back and scalar ratings. A monocular side view recording of each shot is first processed with RTMPose-3D [9] and smoothed with a 1-Euro filter [6]. Nine domain-informed features spanning the approach phase, plant mechanics, segmental coordination, and post-contact stability are automatically extracted and, together with the video clip, form a multimodal prompt to the VLM. Experiments on 70 shots (50 adults, 20 youth) labeled by UEFA B-licensed coaches demonstrate that the joint video and feature prompt achieves an MAE of 0.61 ± 0.03 with the ground truth, out-performing the video-only and feature-only variants by 0.34 and 0.24, respectively. Ablations reveal that down-sampling the frame rate to 30 FPS produces minimal quality degradation, and that 1-Euro temporal filtering slightly reduces the rating error.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».