サッカービデオにおけるアクションスポットティングのためのコンテキストアウェア損失関数

ビデオ理解において、アクションスポットティングは単一のタイムスタンプで注釈された人間が引き起こしたイベントを時間的に局所化することを指します。本論文では、各アクションの周囲に自然に存在する時間的な文脈を特に考慮する新しい損失関数を提案します。これは、単一の注釈フレームに焦点を当てるのではなく、アクションの周囲の文脈を考慮することで精度向上を目指しています。私たちは、サッカービデオの大規模データセットであるSoccerNetでこの損失関数をベンチマークし、ベースラインに対して12.8%の改善を達成しました。また、ActivityNetでの一般的な活動提案と検出においても、私たちの損失関数が各活動の開始時刻と終了時刻を特定できる汎化能力を持つことを示しています。さらに、SoccerNetにおけるアクションスポットティングの課題ケースについて詳細なアブレーションスタディを行っています。最後に、私たちの損失関数がアクションに対する正確な時間的理解を誘導する様子を定性的に示し、そのような意味情報が自動ハイライト生成にどのように利用されるかを解説します。