arXiv cs.AI· David Soeiro-Vuong, Andre-Louis Rochet·· 13 小时前AI 评分31
事件检测器能否离开转播摄像机？来自网球赛场的证据
Can Event Detectors Leave the Broadcast Camera? Evidence from Tennis
AI 导读
研究发布了一个包含 345 个帧级反弹与击球标注的网球事件检测基准，覆盖转播、固定高位、手机和场边视角。有监督检测器在转播画面近乎完美，但在手机与场边视角的反弹 F1 仅 0.130；RallyArb 在三个手机/场边片段上保持反弹 F1 高于 0.8，但在留出片段上 11 个反弹只找到 8 个，且击球时间与人工标注偏差较大。视觉语言模型在各视角均能检测事件，接触帧误差约 0.1 秒。
正文 · AI 翻译
摘要：球的弹跳与球拍击球是推导网球统计数据所依据的事件，而在单目视频中两者很容易混淆。我们发布了一个基准，在八个片段上以帧级标注了 345 个弹跳与击球标注，这些片段混合了转播、固定高位、手机和场边视角，并带有冻结的开发集与测试集划分、一个混淆感知匹配器、片段级自助法置信区间，以及对三个片段的盲法二次标注。在该基准上，我们评测了使用已发布转播权重的有监督精确检测器、两个零样本视觉语言模型，以及 RallyArb——一个基于球轨迹和球员姿态的仲裁层，它不在事件标签上拟合任何参数。有监督检测器在转播素材上得分近乎完美，而在手机和场边素材上几乎为零，其中 E2E-Spot 的汇总弹跳 F1 为 0.130。RallyArb 在三个手机和场边片段上保持弹跳 F1 高于 0.8（其中两个片段曾用于调参），并在留出的那个片段上找到 11 个弹跳中的 8 个，但它放置的击球位置离触球帧太远，无法匹配人类计时。视觉语言模型在每个视角上都能检测到事件，且与触球帧的偏差约为 0.1 秒。从其转播权重出发进行微调的留一片段交叉验证后，该检测器在两个手机和场边片段上达到约 0.8 的弹跳 F1，而在一个擦边手机角度上仍为 0.2。标注、评估器以及每个评分行的冻结预测均已发布。
| 评论： | 16 页，4 幅图，5 张表。基准、评估器和冻结预测：此 https URL |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.38042 [cs.CV] |
| （或 arXiv:2610.38042v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.38042 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：André-Louis Rochet [查看邮箱]
[v1]
2026年10月27日星期二 22:54:45 UTC（676 KB）
来源：arXiv cs.AI · arxiv.org