Компьютерная наука > Компютерное видение и распознавание шаблонов [представлено 27 октября 2026 года] Название: " Просмотр и прогнозирование динамических видов спорта: Spatiotemporal Intelligence in Vision Models for Egocentic Tennis Video View PDF HTML (экспериментальное) Agile robos требует, чтобы сцены интерпретировались, разум в отношении взаимодействий и прогнозировались будущие события. Однако остается неясным, насколько хорошо модели фундаментального видения поддерживают эти возможности, особенно с помощью движущейся эгоцентрической камеры, которая является естественным видом для роботов. Чтобы изучить это, мы собираем аннотированный набор данных о теннисе и обучаем набор моделей зрения по спиотемпоральным задачам. Наш набор данных содержит эгоцентричное видео, синхронизированное с пятью аллоцентрическими видеороликами, оценочными глобальными позициями, помеченным временем контакта и аннотированными типами инсультов. Затем мы оцениваем семь задач прогнозирования от эгоцентрических изображений: 2D-плейер и 3D мяч локализация, будущие проигрыватели и траектории мяча, предисловие к переднему или заднему ходу, время до следующего контакта с эгоистом, а также 3-D положение шара на этом контакте. Мы сравниваем кодеры изображений, видеокоды и модели языка зрения с совместно подготовленными головами прогнозирования. Лучшие модели позволяют достичь средних ошибок в локализации текущего фрейма на уровне 0,14 м для эго-плеера и 0,54 м - для мяча, будущих погрешностей…
Восприятие и прогнозирование динамических видов спорта: спайовременная разведка в моделях видения для эгоцентрического теннисного видео
arXiv: 261 030.37619v 1 Annuales Type: New Habrial: Agile Robons требуют многовременного интеллекта, чтобы интерпретировать сцены, рассуждать о взаимодействиях и предвидеть будущие события. Однако остается неясным, насколько хорошо модели фундаментального видения поддерживают эти возможности, особенно с помощью движущейся эгоцентрической камеры, которая является естественным видом для роботов. Чтобы изучить это, мы собираем аннотированный набор данных о теннисе и обучаем набор моделей зрения по спиотемпоральным задачам. Наш набор данных содержит эгоцентричное видео, синхронизированное с пятью аллоцентрическими видеороликами, оценочными глобальными позициями, помеченным временем контакта и аннотированными типами инсультов. Затем мы оцениваем семь задач прогнозирования от эгоцентрических изображений: 2D-плейер и 3D мяч локализация, будущие проигрыватели и траектории мяча, предисловие к переднему или заднему ходу, время до следующего контакта с эгоистом, а также 3-D положение шара на этом контакте. Мы сравниваем кодеры изображений, видеокоды и модели языка зрения с совместно подготовленными головами прогнозирования. Быть