このコンテンツを表示するには、JoVEへの購読が必要です。 または、無料トライアルをお申し込みください。

方法論記事

ユニフォームのセマンティック融合を用いたスポーツビデオ向け信頼度誘導型マルチオブジェクトトラッキング法

59 回視聴

⸱

DOI:

10.3791/71557

⸱

2026年8月14日

 , 
1Faculty of Sports Science and Technology, Bangkok Thonburi University, 2Film Review Center, Taishan College of Science and Technology

この記事について

サマリー

本プロトコルでは、ユニフォームの色と背番号の情報を統合することで、信頼度の変動、オクルージョン（遮蔽）、および視覚的に類似した選手の外見がある状況下での軌跡の関連付けとアイデンティティの一貫性を向上させる、スポーツビデオ向けの信頼度ガイド付きマルチオブジェクトトラッキングのワークフローについて説明します。

要約

スポーツビデオにおけるマルチオブジェクトトラッキング（MOT）は、戦術分析、選手の行動解釈、および自動統計分析のための軌跡情報を提供します。しかし、スポーツのシナリオでは、急激な方向転換、突然の停止、頻繁な遮蔽、および視覚的に類似したチームメイトが多く存在するため、検出信頼度の変動や、フレーム間アソシエーションにおけるIDの混同が発生します。これらの課題に対処するため、本研究ではユニフォームのセマンティック融合に基づく信頼度ガイド付きスポーツMOT手法であるJerseyTrackを提案します。このワークフローでは、各フレームの信頼度分布に従って、検出ボックスを信頼度の高い、中程度の、および低い区間に適応的に分割します。信頼度の高い検出は主にモーションの類似性を用いてアソシエーションを行い、一方で信頼度の中程度および低い検出では、カラークラスタリングと軽量な光学文字認識（OCR）モデルを通じて抽出されたユニフォームの色および背番号の特徴をさらに組み込みます。これらのセマンティック特徴は、補完的なマッチングの際にモーション情報と融合され、軌跡の連続性とIDの一貫性を向上させます。本手法をSportsMOTデータセットで評価した結果、JerseyTrackはMOTA（Multiple Object Tracking Accuracy）88.9%、IDF1（IDentity F1 Score）74.3%、HOTA（Higher Order Tracking Accuracy）69.9%を達成し、評価したスポーツトラッキング設定において追跡性能が向上することが示されました。本プロトコルは、スポーツビデオにおけるマルチオブジェクトトラッキングを改善するために、信頼度ガイド付きアソシエーションとユニフォームのセマンティック情報を統合するための再現可能なワークフローを提供します。

概要

マルチオブジェクトトラッキング（MOT）は、ビデオシーケンスにおける継続的なオブジェクトの局在化とIDの維持を可能にし、スポーツビデオアプリケーションにおけるアスリートの軌跡抽出、戦術分析、および自動統計分析を支援します1,2,3。また、信頼性の高い視覚情報は、スポーツ科学における競技特有の意思決定やパフォーマンス評価に関連しており、後続のスポーツ分析におけるビデオ由来の安定した動作データの価値をさらに強調しています4。スポーツのシナリオにおいて、戦術データの信頼性は、トラッキング軌跡の連続性とターゲットIDの一貫性に依存します。

一般的なMOTシナリオと比較して、スポーツビデオには急速な方向転換、急停止、ジャンプ、密集した相互作用、および頻繁なオクルージョン（遮蔽）が含まれています。これらの要因は検出ボックスの信頼度に大幅な変動をもたらし、低信頼度検出の頻度を増加させ、それがトラジェクトリ（軌跡）の紐付けを妨げる可能性があります5,6。また、統一されたチームジャージは、一般的な外見特徴の識別能力をさらに低下させ、外見が似ているチームメイト間でのアイデンティティの混同を増加させます7,8。同一シーケンス内でオクルージョンと外見の類似性が同時に発生すると、検出信頼度が低下し、ターゲットの外見情報が不完全になるため、トラジェクトリの紐付けとアイデンティティの維持が困難になります9,10。MOTにおいて、再識別（Re-ID）とは、アイデンティティに関連する視覚的な根拠を用いて、フレーム間、オクルージョン期間中、または再進入時に同一のターゲットアイデンティティを紐付けるプロセスを指します。チームスポーツのビデオでは、同じチームのアスリートが同様のユニフォームや体格を共有していることが多いため、一般的なRe-IDの手がかりが弱まる場合があります。技術文献のレビューによれば、スポーツMOTにおけるトラジェクトリの断片化とアイデンティティの混同は、一般的に「検出信頼度の活用」と「アイデンティティ手がかりの強化」という2つの相補的なアプローチによって対処されます。JerseyTrackは、色や背番号の情報をすべての検出に一律に適用するのではなく、検出品質に応じてジャージのセマンティックな手がかりの使用を調整することで、これら2つのアプローチの交点に位置づけられています。

本研究では、ユニフォームの意味論的融合に基づく信頼度誘導型スポーツMOT手法であるJerseyTrackを提案します。本手法は、アスリートが視認可能なユニフォームを着用し、検出結果として信頼度スコア付きのバウンディングボックスが得られるチームスポーツのビデオ向けに設計されています。JerseyTrackは、アスリート検出、信頼度レベルによるパーティショニング、ユニフォームの意味論的特徴抽出、およびカスケード型フレーム間アソシエーションの4つの主要コンポーネントで構成されています。検出の信頼度を用いて、検出結果を信頼度の高いグループ、中程度のグループ、低いグループに適応的に分割し、それぞれに異なるアソシエーション戦略を適用します。高信頼度の検出結果は主にモーション情報を通じてアソシエーションされますが、中・低信頼度の検出結果では、視覚的根拠が弱い場合でもアイデンティティの維持を向上させるため、ユニフォームの色や選手番号の情報がさらに組み込まれます。本手法は、戦術分析や選手の行動解釈など、安定したアスリートの軌跡を必要とするスポーツビデオ分析タスクを目的としています。

提案されたアプローチには運用上の制限もあります。ユニフォームのセマンティック抽出は、深刻なオクルージョン、モーションブラー、低解像度、ユニフォームの異常なポーズ、または背番号が不可視であることによって影響を受ける可能性があります。これらの場合、ユニフォームに基づくセマンティックキューが不完全になる可能性があり、アソシエーションプロセスはモーションの一貫性とマルチフレーム検証により大きく依存することになります。したがって、本研究における性能の主張は、評価したデータセットおよび実験設定に限定されます。SportsMOTデータセットを用いた実験では、JerseyTrackが、テストしたスポーツトラッキング条件下で、評価したトラッキング指標を改善し、IDスイッチイベントを減少させることが示されました。スポーツビデオにおけるMOTの主な困難は、急速な運動、オクルージョン、および外観の類似性の下で、トラジェクトリの連続性とIDの一貫性を維持することにあります。JerseyTrackに関連する既存の研究は、大きく分けて、トラジェクトリ・アソシエーションへの検出信頼度の利用と、スポーツ特有のセマンティック特徴によるIDキューの強化という2つの研究方向に分類できます。

検出信頼度は、検出ボックスの信頼性を推定し、MOTにおけるトラジェクタリ（軌跡）の紐付けを導くために広く利用されてきた。初期のトラッキング手法では、通常、信頼度をバイナリフィルタリングの基準として扱い、固定しきい値を下回る検出結果を削除することで誤検出（false positives）を削減していた11,12。この戦略はノイズとなる検出を減少させるが、遮蔽、急激な動き、または低画質の条件下では真のターゲットまで破棄してしまう可能性があり、結果としてトラジェクタリの断片化を招く13,14,15。同様のフィルタリング戦略により、固定の信頼度しきい値はシーンの変化や検出品質に敏感であることも示されている16,17。低信頼度の検出結果の活用を改善するため、ByteTrackは、低信頼度のボックスを二次マッチングの候補ターゲットとして保持し、動きの類似性とトラジェクタリ履歴を通じて既存のトラジェクタリと紐付けるアソシエーション戦略を導入した18。McByteは、時間的に伝播させたセグメンテーションマスクを紐付けの手がかりとして組み込むことでスポーツMOTのアソシエーションをさらに拡張し、ビデオごとの追加トレーニングなしに、高速移動、遮蔽、およびカメラシフト条件下での堅牢性を向上させている19。関連研究では、アソシエーション中に弱いが有効である可能性のあるターゲットを保持させるため、低信頼度検出の利用方法を調整している20,21,22。その後、信頼度適応型アソシエーション戦略により、動きの一貫性と検出信頼度に基づいてマッチング基準が精緻化された23,24,25。また、検出ボックス回帰とトラジェクタリ平滑化最適化に基づくトラジェクタリ精緻化手法も、トラジェクタリ断片化の削減に使用されている26,27,28。さらなる精緻化戦略は、複雑な運動条件下でトラジェクタリの連続性を維持するための補完的なサポートを提供している29。時間的コヒーレント物体フローは、フレーム間での物体レベルの時間的一貫性をさらにモデル化し、複雑なMOTシナリオにおけるトラジェクタリ中断を削減するためのもう一つのアソシエーション指向のアプローチを提供している30。トラッカー融合手法は、複数のトラッカーの出力から学習し、学習ベースの選択または融合戦略を用いることで、異なるMOTベンチマークにわたるトラッキングの堅牢性を向上させている31。総じて、これらの研究は、信頼度を考慮したアソシエーションが中断されたトラジェクタリの復旧に役立つことを示しているが、同じチームの選手が似た外見を持っている場合、信頼度と動きの手がかりだけでは得られる個体識別情報は限定的である。これらの手法は一般的なシナリオにおいてトラジェクタリ断片化を効果的に緩和するが、スポーツの設定では、同じチームの選手が極めて類似した外見を持つことが多く、信頼度と動きの情報だけに依存していては個体識別の十分な根拠となり得ないため、固有の限界に直面している32,33,34。低信頼度のボックスが効果的に回収されたとしても、特徴量の類似性によってIDスイッチングが起こり得り、スポーツ分析における厳格なID一貫性の要件を満たすことを困難にしている。

アスリートのトラッキングにおける個体識別能力を向上させるために、スポーツ特有のアイデンティティの手がかりも利用されてきました。チームカラーや選手番号などのユニフォームのセマンティック情報は、一般的な外見エンベディングよりもスポーツのシナリオに直接的に関連したアイデンティティの手がかりを提供します35,36,37。ユニフォームの色はチームレベルの識別をサポートし、チーム間の混同を減少させるために用いられてきた一方で、選手番号の認識は、番号領域が可視かつ判読可能な場合に、より詳細なアイデンティティの手がかりを提供します38,39。既存のスポーツトラッキング研究では、混雑したスポーツ環境下での選手の関連付けを改善するために、ドメイン特有の視覚的特徴とユニフォームの色認識が組み込まれています40,41。ユニフォーム番号の認識および合成番号データに関する関連研究は、低解像度または部分的な遮蔽条件下でのアイデンティティモデリングをさらにサポートしています42,43。これらの研究は、ユニフォームのセマンティクスがスポーツMOTにおけるアイデンティティ表現を強化できることを示しています。しかし、ほとんどのセマンティクス強化トラッキング手法は、検出信頼度とセマンティック特徴の品質との関係を十分にモデル化していません。信頼度の高い検出結果は、すでに信頼できる空間情報や外見情報を保持している可能性があり、繰り返しセマンティクス抽出を行うことは効率が悪くなります。一方で、信頼度の低い検出結果は、遮蔽、ブレ、切断、または低解像度の影響を受けていることが多く、色や選手番号の手がかりの信頼性が低下します。この制限から、すべての検出結果に一律に適用するのではなく、検出品質に応じてユニフォームのセマンティクスを導入する、信頼度ガイド付きの関連付け設計が求められます。レビューした研究では、信頼度を考慮した関連付けとユニフォームのセマンティクスモデリングが、スポーツMOTの異なる側面に対処していることが示されています。信頼度ベースの戦略は、主に検出結果が関連付けに参加すべきか、および既存の軌跡とどのようにマッチングさせるべきかを決定しますが、ユニフォームのセマンティクス戦略は、主にスポーツ特有の手がかりを通じてアイデンティティ表現を強化します。しかし、これら2つのメカニズムは個別のコンポーネントとして設計されることが一般的です。その結果、セマンティックな手がかりが検出品質に応じて常に調整されるわけではなく、関連付けの際に信頼度レベルが色や選手番号情報の利用を直接的に制御することもありません。この分離により、チームスポーツのビデオにおける軌跡の断片化と個体混同の同時処理が制限されています。今後の研究課題は、同一のトラッキングワークフロー内で、検出信頼度の品質評価とユニフォームのセマンティック関連付けを連携させることにあります。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

プロトコル

本研究では、SportsMOT、TeamTrack、SoccerNet Tracking、MOT17、およびMOT20という、公開されているベンチマークビデオデータセットの二次分析を行いました。被験者の募集、介入の実施、および新たなヒト被験者データの収集は行われていません。バンコク・トンブリー大学の適用される機関要件に基づき、本研究に倫理委員会の承認は不要でした。

以下のプロトコルでは、データ準備からトラッキング評価に至るまで、JerseyTrackを再現するために使用したワークフローについて説明します。ワークフローには、図1にまとめられているように、データセットの準備、検出器の準備、ジャージのセマンティック抽出、信頼度レベルによる分割、信頼度に基づく関連付け、トラッキング推論、および性能評価が含まれます。必要なソフトウェア、データセット、およびハードウェアリソースは、材料表に記載されています。

外見的特徴を用いたジャージの特徴抽出図；状態予測；データ紐付けプロセス。
図1JerseyTrack法の全体的なワークフロー。 ワークフローは、ジャージの意味的特徴抽出、初期オブジェクトマッチング、信頼度に基づく補完的マッチング、および特徴融合で構成される。検出されたアスリート領域からチームカラーと背番号の特徴を抽出し、それを関連付けプロセスに組み込むことで、検出条件が不確実な状況におけるトラジェクトリマッチングの精度を向上させる。 この図の拡大版を表示するには、ここをクリックしてください。

1. データセットとディレクトリ構造の準備

  1. 材料表に記載されている公開ベンチマークデータセットをダウンロードします。検出器の準備およびトラッキング評価の主要データセットとしてSportsMOTを使用してください。また、データセット間評価のためにTeamTrack、SoccerNet Tracking、MOT17、およびMOT20を保持しておきます。
  2. すべてのデータセットを統合されたプロジェクトディレクトリの下に保存します。検出器、セマンティック抽出モジュール、トラッキングモジュール、および評価ツールキットが同一のシーケンス識別子を使用していることを確認してください。
  3. 本研究で採用したデータ準備スクリプトを用いて、公式のSportsMOTアノテーションを検出器トレーニング形式に変換します。以下のコマンドを実行してください：
    ..\venv\Scripts\python.exe scripts\prepare_data.py --config configs\datasets.local.json --dataset SportsMOT --out data\processed\SportsMOT_yolo --splits train val.
  4. データ準備スクリプト（scripts/prepare_data.py）は、JerseyTrackのソースコードリポジトリ（https://doi.org/10.5281/zenodo.21274352）で入手可能です。必要なソフトウェア依存関係はenvironment.ymlに指定されており、Python 3.12、PyTorch 2.11.0、およびOpenCV 4.10以降が含まれます。以下のコマンドを用いてソフトウェア環境を構築してください：conda env create -f environment.yml。その後、以下のコマンドを用いてデータ準備スクリプトを実行してください：python scripts/prepare_data.py --config configs/datasets.local.json --dataset SportsMOT --out data/processed/SportsMOT_yolo --splits train val。
  5. 変換によって、検出器トレーニング設定ファイルであるdata\processed\SportsMOT_yolo\data.yamlと、変換マニフェストであるdata\processed\SportsMOT_yolo\conversion_manifest.csvが生成されたことを確認してください。
    注：本研究において、変換後のSportsMOTトレーニングおよび検証データセットは、90シーケンス、55,544フレーム、および608,152個のアノテーション済みオブジェクトで構成されていました。
  6. 代表的なシーケンスを検査し、フレーム順序、バウンディングボックス座標、およびIDラベルが元のベンチマークアノテーションと一致していることを確認してください。
  7. すべての手法で同一のデータセット分割と評価プロトコルが使用されるよう、検出器の準備、トラッキング推論、および評価の間、変換後のアノテーションファイルを変更せずに保持してください。
    注：このセクションの期待される成果物は、変換済みアノテーション、変換マニフェスト、および検出器の準備とトラッキング評価に必要なデータセット分割ファイルを含む、標準化されたSportsMOT検出器トレーニングディレクトリです。

2. 検出器出力の準備

  1. 準備したSportsMOTトレーニングスプリットを用いて、物体検出器をファインチューニングします。以下で定義される分類損失およびバウンディングボックス回帰損失を用いて、検出器を最適化します。 式1実装設定および（以下に続く内容）に報告されている検出器の入力解像度、バッチサイズ、学習率、トレーニングエポック数、およびその他のトレーニングパラメータを使用します。 材料表
    L決定係数 = Lcls + Lボックス   (1)
    ここで、Lは決定係数  Lは全検出器損失を示すcls  分類損失 $\text{L}$ を示すボックス また、これはバウンディングボックス回帰損失を表します。
    注：主要な実験（内部実験識別子 e3）で使用した検出器チェックポイントは、SportsMOT YOLO形式データセット構成（data/processed/SportsMOT_yolo/data.yaml）を用い、Ultralytics YOLOフレームワークで学習させたものである。検出器の学習は、次のコマンドを使用して実行すること：yolo detect train data=data/processed/SportsMOT_yolo/data.yaml model=yolo11x.pt epochs=80 imgsz=960 batch=16 lr0=0.01 project=outputs/formal name=checkpoints/detector device=0。学習後、得られた最高性能のチェックポイントを使用し、次のコマンドを用いて検証シーケンスに対する検出器出力を生成すること：python scripts/formal_detect_yolo.py --dataset-root datasets/SportsMOT/dataset --split val --model outputs/formal/checkpoints/detector/weights/best.pt --out-dir outputs/formal_runs/sportsmot_val_yolo11x_i960_e3_threshold_sweep/t005/detections --imgsz 960 --conf 0.05 --device 0 --batch 16。
  2. トレーニング終了後、学習済み検出器のチェックポイント、対応するメタデータファイル、およびトレーニングログを保存してください。
    注：本研究において、正式な実験に使用した検出器のチェックポイントは以下として保存されました。
    outputs\formal\checkpoints\detector\sportsmot_yolo11x_i960_e3_best.pt。対応するメタデータファイルは outputs\formal\checkpoints\detector\sportsmot_yolo11x_i960_e3_best.json として保存されました。主要なSportsMOT検証実験に使用された検出器出力ディレクトリは outputs\formal_runs\sportsmot_val_yolo11x_i960_e3_threshold_sweep\t005\detections でした。
  3. 学習済み検出器を各検証シーケンスに対して実行し、アスリートのバウンディングボックスと信頼度スコアを生成します。フレームインデックス、バウンディングボックスの座標、検出信頼度、およびクラスラベルを含む検出ファイルを、シーケンスごとに1ファイルずつエクスポートします。
    注：メイン実験に使用したSportsMOT検証ランでは、信頼度しきい値を0.05に設定したところ、343,990件のアスリート検出が生成されました。
  4. トラッキング推論を行う前に、検出結果の出力ディレクトリを確認してください。すべてのシーケンスに対応する検出ファイルが存在すること、フレームインデックスが準備した画像シーケンスと一致していること、およびすべての検出レコードに信頼度スコアが含まれていることを確認してください。
    注：このセクションの期待される結果は、ジャージの意味抽出、信頼レベルによるパーティショニング、およびトラッキング関連付けの入力として機能する、完全な検出器出力ディレクトリである。

3. ジャージの意味的特徴を抽出する

  1. 検出器の出力ファイルを使用して、各ビデオフレームからアスリート領域をクロップします。クロップされた各アスリート画像は、シーケンス識別子、フレームインデックス、および検出インデックスと共に保存してください。画像コンテンツが欠落している、またはバウンディングボックスが画像境界外に延びている無効なクロップは除外します。抽出された意味的特徴をトラッキングアソシエーション中に対応する検出結果と照合できるよう、各クロップファイル名と元の検出レコードとの紐付けを維持してください。
  2. 本研究で採用したセマンティック抽出スクリプトを用いて、切り出されたアスリート画像からジャージの色の特徴を抽出する。
    注：意味論的特徴抽出スクリプト（scripts/extract_fast_color_semantics.pyおよびscripts/formal_extract_semantics.py）は、JerseyTrackのソースコードリポジトリ（https://doi.org/10.5281/zenodo.21274352）で入手可能です。個別の設定ファイルは不要であり、すべての実行パラメータはコマンドライン引数を通じて提供されます。
    次のコマンドを使用して、ジャージの色の記述子を生成します：python scripts/extract_fast_color_semantics.py --detections-dir outputs/formal_runs/sportsmot_val_yolo11x_i960_e3_threshold_sweep/t005/detections --frames-root datasets/SportsMOT/dataset/val --out-dir outputs/formal_runs/sportsmot_val_yolo11x_i960_e3_t005_color。次に、OCRモデルを用いて、次のコマンドで背番号のセマンティック特徴を生成します：python scripts/formal_extract_semantics.py --detections-dir outputs/formal_runs/sportsmot_val_yolo11x_i960_e3_threshold_sweep/t005/detections --frames-root datasets/SportsMOT/dataset/val --out-dir outputs/formal_runs/sportsmot_val_yolo11x_i960_e3_t005_ocr。生成されたジャージの色の記述子と背番号の確率出力は、シーケンス識別子によって紐付けられ、トラッキングの関連付けに使用されるセマンティック特徴ファイルに統合されます。
  3. 切り出された各アスリートの画像を、HSV（色相、彩度、明度）色空間に変換します。ジャージ領域から前景ピクセルを抽出し、K=3のK-meansクラスタリングを用いて、ジャージの支配的な色を要約します。特徴量の比較を行う前に、得られた色記述子をL2正規化で正規化します。
  4. 入力サイズ128×64ピクセルのクロップ済みアスリート画像を用いて、背番号認識ブランチを学習させる。本研究で採用した弱教師ありラベリング手順を用いて、背番号の擬似ラベルを生成する。背番号領域が見えない、読み取れない、著しく遮蔽されている、または信頼度が低いクロップ画像は、光学文字認識（OCR）損失の計算から除外する。
  5. 以下で定義されるクロスエントロピー損失を用いて、OCRブランチを最適化します。 式2
    クロスエントロピー損失の公式 \(L_{ocr}=-\sum_{i=1}^{N}y_i\log(\hat{y}_i)\)、分類のための式。 (2)
    ここでは、 L光学文字認識 OCR損失を示す。 yi は教師あり学習によるプレイヤー数のラベルを示し、 多項式回帰式、ŷᵢ=β₀+β₁xᵢ+…+βₙxᵢⁿ、統計分析チャート 予測されたプレイヤー数のカテゴリーを示します。
  6. 適応的オプティマイザー、学習率、バッチサイズ、荷重減衰、およびトレーニング期間を用いて、意味的特徴抽出モジュールを最適化します。これらは、以下のリストに記載されています。 材料表検出器の損失とOCRの損失を、以下に定義される全学習目的関数を用いて統合します。 式3.
    L合計 = L決定係数 + γL光学文字認識   (3)
    ここでは、 L合計 は総トレーニング損失を表し、 L詳細 ～で定義される検出器損失を示す 式 1, L光学文字認識 ～で定義されるOCR損失を示す 式2、およびOCR損失に対するユーザー定義の重み付け係数を示します。
  7. 学習済みOCRブランチを、クロップされた各アスリート画像に適用します。各クロップ画像について、予測された背番号カテゴリーまたは確率ベクトルを保存します。背番号が視認できない場合、またはOCRの信頼度が実装で定義された閾値を下回る場合は、無理に予測を行うのではなく、背番号の特徴量を「利用不可」として記録します。
  8. ジャージの色の記述子と背番号の出力を結合し、トラッキングモジュールで使用される意味特徴ファイルに格納してください。
    注：SportsMOTのメイン検証ランにおいて、意味抽出スクリプトはフレームの欠落や無効なクロップを発生させることなく、343,990件の検出結果を処理した。現在の改訂パッケージにおける意味抽出のサマリーでは、評価されたSportsMOTの設定下で、カラーおよびOCRによる意味抽出の総合精度が86.7%であったことが報告されている。本セクションの期待される成果物は、各有効な検出レコードが、ユニフォームの色の記述子、利用可能な場合の背番号出力、およびトラッキングの関連付けに意味情報が利用可能かを示すフラグに紐付けられた意味特徴ファイルである。

4. パーティション検出の信頼レベル

  1. 各ビデオシーケンスの検出器出力ファイルをロードします。各フレームにおけるすべての選手検出の信頼度スコアを収集します。
  2. 図2に示す信頼度ガイド付きアソシエーションワークフローに従い、K = 3のK-meansクラスタリングを用いて、フレームレベルの信頼度スコアを高・中・低の信頼度区間に分割します。式4に従い、クラスター内分散を最小化することで適応的信頼度しきい値を決定します。
    静的平衡記号式; J_conf=min Σ(sd-μ_i)^2; 数学的最適化。  (4)
    ここで、sd は検出dの信頼度スコアを、 D1、D2、D3はそれぞれ高・中・低の信頼度区間を、μ1、μ2、μ3は3つの区間の平均信頼度スコアを、τ1およびτ2はK-meansクラスタリングの結果から得られた適応的信頼度しきい値を表します。
    注：信頼度分割スクリプト (scripts/formal_partition_confidence.py) は、JerseyTrackソースコードリポジトリ (https://doi.org/10.5281/zenodo.21274352) で入手可能です。この信頼度分割モジュールは、K = 3のNumPyベースの1次元K-meansクラスタリング手順を使用します。個別の設定ファイルは不要であり、入力ディレクトリ、出力ディレクトリ、およびクラスタリングパラメータはコマンドライン引数で指定します。以下のコマンドを使用して信頼度分割手順を実行してください：python scripts/formal_partition_confidence.py --detections-dir outputs/formal_runs/sportsmot_val_yolo11x_i960_e3_threshold_sweep/t005/detections --out-dir outputs/formal_runs/sportsmot_val_yolo11x_i960_e3_threshold_sweep/t005/confidence --k 3。NumPyのバージョンを含む必要なソフトウェア依存関係は、environment.ymlに指定されています。
  3. 検出器出力ディレクトリを入力として、信頼度分割手順を実行します。
    注：本研究では、検出器出力ディレクトリは outputs\formal_runs\sportsmot_val_yolo11x_i960_e3_threshold_sweep\t005\detections であり、信頼度分割出力ディレクトリは outputs\formal_runs\sportsmot_val_yolo11x_i960_e3_threshold_sweep\t005\confidence でした。生成された出力ファイルには、シーケンスごとの信頼度CSVファイル、_confidence_frame_summary.csv、および _confidence_runtime.csv が含まれます。
  4. すべての検出に信頼度レベルラベルを割り当てます。高信頼度の検出にはモーションベースのアソシエーション、中信頼度の検出にはモーションセマンティックアソシエーション、低信頼度の検出には軌跡リカバリのみ用のラベルを割り当てます。割り当てられた信頼度レベルラベルとともに、元の信頼度スコアを保持します。
  5. 図3に示すように、信頼度スコアの分布と代表的なフレームを確認します。高信頼度の検出が主に完全で信頼性の高い選手のバウンディングボックスに対応し、一方で中および低信頼度の検出には主に部分的、遮蔽された、ぼやけた、または弱い検出が含まれていることを検証します。
    注：このセクションの期待される結果は、すべての検出について、検出インデックス、元の信頼度スコア、割り当てられた信頼度レベル、およびフレームレベルの適応的信頼度しきい値を含む信頼度分割ファイルです。

信頼性駆動型のビデオ解析；K-means法によるクラスタリングおよび相関のための区間計算を示す図。
図2信頼度誘導型関連付け戦略。 このワークフローでは、適応的信頼度クラスタリングを用いて、検出信頼度を高・中・低の信頼度区間に分割します。高信頼度の検出はモーションの類似性を用いて関連付けられ、中信頼度の検出はモーションとジャージのセマンティック類似性の組み合わせを用いて関連付けられます。また、低信頼度の検出は、マルチフレーム検証を伴うセマンティック支援軌跡復元に使用されます。右側のパネルに、信頼度の分割および関連付けに使用される数式表現の要約を示します。 この図の拡大版を表示するには、ここをクリックしてください。

信頼区間によるスポーツの意思決定回数の比較棒グラフ：サッカー、バスケットボール、バレーボール。
図3検出信頼度スコアの分布。 このヒストグラムは、SportsMOTデータセットにおけるサッカー、バスケットボール、バレーボールのシーケンスについて、5つの信頼区間内におけるアスリート検出ボックスの数を示しています。この分布は、評価したスポーツカテゴリー間での検出器の信頼度の違いを明らかにしています。 この図の拡大版を表示するには、ここをクリックしてください。

5. 信頼度に基づいたアソシエーションの実行

  1. 各ビデオシーケンスの検出器出力ファイル、意味的特徴ファイル、および信頼度パーティションファイルをロードします。最初の有効な検出結果を用いてトラッカーを初期化し、追跡対象の各アスリートに対して1つの軌跡状態を維持します。それ以降の各フレームについて、カルマンフィルターの運動モデルを使用して、存在するすべての軌跡の位置を予測します。
  2. 式5で定義されるマハラノビス距離を用いて、予測された各軌跡と候補検出との間の運動類似性を計算します。
    共分散行列を含むS_mot(t_i^k,d_j)の数式  (5)
    ここで、静的平衡、ΣFx=0, ΣFy=0, 力のバランス図、物理概念、問題解決手法はフレームkにおけるI番目の軌跡を、静的平衡図、ΣFx=0、力のベクトルとバランスを表示する教育用物理チャートはカルマン予測による軌跡状態を、dj は候補検出を、静的平衡方程式 Σi^{-1}、教育用数学記号付き図表は予測軌跡状態の逆共分散行列を、そしてSmot は予測軌跡と検出との間の運動距離を表します。
    注：コアとなる紐付けワークフローは jerseytrack/formal_tracker.py に実装されており、scripts/formal_track.py を通じて実行されます。これらは共に JerseyTrack のソースコードリポジトリ（https://doi.org/10.5281/zenodo.21274352）で入手可能です。別途設定ファイルは必要ありません。信頼度しきい値、最大トラック寿命、運動重み係数、中心距離重みを含むすべての実行時パラメータは、コマンドライン引数を通じて提供されます。完全な実行コマンドとパラメータ設定はステップ 6.2 に記載されています。実装には、ハンガリアンマッチングに SciPy の線形割当アルゴリズムを、コストベースの紐付けに NumPy を使用しています。
  3. 検出器出力ファイル、意味的特徴ファイル、および信頼度パーティションファイルを入力として、トラッキングワークフローを実行します。
    注：本研究では、コアトラッカーを jerseytrack\formal_tracker.py に実装し、トラッキングワークフローを scripts\formal_track.py を用いて実行しました。
  4. 運動の一貫性を用いて、高信頼度の検出結果を既存の軌跡に紐付けます。マッチした軌跡を更新し、マッチしなかった高信頼度の検出結果が軌跡初期化基準を満たす場合にのみ、新しい軌跡を初期化します。
  5. 図 4に示すジャージの意味的抽出出力を確認し、式 6に従ってチームカラー記述子と選手番号特徴を組み合わせることで、各検出結果のジャージ意味的特徴ベクトルを構築します。
    fsem = [fcol;fid] (6)
    ここで、fsem は統合された意味的特徴ベクトル、fcol はチームカラー記述子、fid は OCR ブランチによって生成された選手番号特徴を表します。
  6. 運動類似性とジャージの意味的類似性を組み合わせて、中信頼度の検出結果を紐付けます。式 7に従って統合マッチングスコアを計算します。
    運動スコアと意味的スコアの統合式、Sf=λ(Sm/max(Sm))+(1-λ)(1-Sem) (7)
    ここで、Ssem は軌跡と候補検出の意味的特徴ベクトル間のコサイン類似度、Smot は式 5で定義された運動距離、λは運動類似性と意味的類似性の項をバランスさせる適応的統合係数を表します。
  7. 式 8に従って適応的統合係数を計算します。
    静的平衡、λ=λ₀exp(-σsd/σmax)、材料の応力分布に関する公式 (8)
    ここで、λ0 は初期運動重み係数、σsd は現フレームにおける検出信頼度スコアの標準偏差、σmax は正規化に使用される最大信頼度スコア標準偏差を表します。
  8. 低信頼度の検出結果は、軌跡の復旧にのみ使用します。意味的な情報が利用可能であり、かつ復旧基準が満たされている場合にのみ、低信頼度の検出結果を中断された軌跡にマッチさせます。軌跡 ID を復元する前に複数フレームでの検証を行い、検証に失敗した検出結果は破棄します。
    注：選手番号特徴が利用できない場合は、無理に選手番号のマッチングを行うのではなく、利用可能な意味的情報と運動の一貫性を用いて紐付けを行います。このセクションの期待される成果物は、軌跡 ID、バウンディングボックス、信頼度レベルラベル、運動コスト、意味的情報、および最終的な紐付け決定を含むフレームごとのトラッキング記録です。改訂エビデンスパッケージにおいて、トラッキング結果は以下に保存されました：outputs\formal_runs\sportsmot_val_yolo11x_i960_e3_center_motion_sweep_round2\age45_h0p95_m0p94_l0p58_mw0p65_lw0p5_va0p25_hsp0p0_cdw0p1\tracking。

パフォーマンス分析のための選手トラッキングデータを備えたバレーボール試合分析図。
図4ジャージーの意味的特徴抽出。 代表的なアスリートの検出結果には、ジャージ意味抽出モジュールによって生成されたチームカラー記述子および背番号情報が付与される。抽出された意味的特徴は、その後、信頼度に基づくデータアソシエーション（データ関連付け）に組み込まれる。 こちらの図の拡大版を表示するには、ここをクリックしてください。

6. トラッキング推論の実行と結果のエクスポート

  1. 準備した検出器出力ファイル、意味的特徴量ファイル、および信頼度パーティションファイルを使用して、各ビデオシーケンスのトラッキング推論を実行します。軌跡の状態、意味的履歴、および軌跡リカバリの決定がシーケンス全体で一貫して更新されるよう、ビデオフレームを時系列順に処理してください。データセット固有の設定が明示的に報告されていない限り、評価するすべてのシーケンスに同じ推論設定を使用します。
    注：トラッキング推論は、JerseyTrackソースコードリポジトリ（https://doi.org/10.5281/zenodo.21274352）で入手可能な scripts/formal_track.py を使用して実行されました。個別の設定ファイルは不要です。以下のコマンドを使用してトラッキング推論を実行してください：python scripts/formal_track.py --detections-dir outputs/formal_runs/sportsmot_val_yolo11x_i960_e3_threshold_sweep/t005/detections --semantic-dir outputs/formal_runs/sportsmot_val_yolo11x_i960_e3_t005_color --confidence-dir outputs/formal_runs/sportsmot_val_yolo11x_i960_e3_threshold_sweep/t005/confidence --out-dir outputs/formal_runs/sportsmot_val_yolo11x_i960_e3_center_motion_sweep_round2/age45_h0p95_m0p94_l0p58_mw0p65_lw0p5_va0p25_hsp0p0_cdw0p1/tracking --max-age 45 --high-threshold 0.95 --medium-threshold 0.94 --low-threshold 0.58 --medium-motion-weight 0.65 --low-motion-weight 0.5 --velocity-alpha 0.25 --center-distance-weight 0.1。指定されていないすべてのパラメータは、アーカイブされたソースコードに記録されているデフォルト値を保持しています。
  2. 推論後、以下のコマンドを用いて一次後処理シーケンスを適用します：python scripts/merge_tracklets.py および python scripts/sweep_track_filter.py --min-len 95。
  3. 評価ツールキットで要求される形式でトラッキング結果をエクスポートします。フレームインデックス、軌跡アイデンティティ、バウンディングボックス座標、およびベンチマーク評価形式で要求されるすべてのフィールドを含めてください。各結果ファイルを対応するグランドトゥルースアノテーションファイルと照合できるよう、一貫したファイル命名規則を使用して、シーケンスごとに1つのトラッキング結果ファイルを保存します。
  4. 本研究で使用した後処理操作のみを適用してください。リビジョンパッケージに記載されている後処理スクリプトを使用して、トラックレットの統合およびトラックフィルタリングを行います。
    注：本研究の後処理ワークフローでは、以下のスクリプトを使用しました：
    ⋅ scripts\merge_tracklets.py
    ⋅ scripts\sweep_track_filter.py
    ⋅ scripts\correct_identity_swaps.py
    ⋅ scripts\sweep_identity_swap_correction.py
    ⋅ scripts\interpolate_tracks.py
    ⋅ scripts\sweep_track_interpolation.py
  5. 定量評価の前に、エクスポートされたトラッキング結果を検査します。軌跡アイデンティティが数値であり、各シーケンス内で一貫していること、フレームインデックスに欠落がないこと、およびすべてのバウンディングボックスが画像境界内に収まっていることを確認してください。
    注：本セクションの期待される成果物は、定量評価が可能なシーケンスレベルのトラッキング結果ファイルの完全なセットです。

7. トラッキング性能の評価

  1. 材料表に記載されている評価ツールキットを使用して、エクスポートされたトラッキング結果ファイルを評価します。各トラッキング結果ファイルを、対応するグランドトゥルース注釈ファイルおよびデータセット分割と照合してください。性能の差が評価設定ではなくトラッキング結果に起因することを保証するため、比較するすべての手法において同一の評価構成を使用してください。
  2. 以下のコマンドを使用して評価を実行します
    \.venv\Scripts\python.exe evaluation\trackeval\scripts\nun_mot_challenge.py --GT_FOLDER datasets\SportsMOT\dataset\val --RESULTS_DIR outputs\formal_runs\sportsmot_val_yolo11x_i960_e3_center_motion_filter_fine
    _round1\minlen95 --OUTPUT_FOLDER outputs\formal_runs\sportsmot_val_yolo11x_i960_e3_center_motion_filter_fine_
    round1\minlen95\trackeval --TRACKERS_TO_EVAL JerseyTrack_i960_e3_center_motion_minlen95 --BENCHMARK SportsMOT --SPLIT_TO_EVAL val
    注：評価は、JerseyTrack再現性パッケージ内にアーカイブされている標準的なTrackEval（Version 1.3.0）メトリクスの実装を用いて行われました。Higher Order Tracking Accuracy (HOTA)、CLEAR、またはIdentityメトリクスの実装に変更は加えられていません。リポジトリには、evaluation/trackeval/scripts/run_mot_challenge.pyに配置されたMOTChallengeスタイルの実行ラッパーが含まれており、これがデータセットと結果のパスを設定し、標準的なTrackEval評価メトリクスを呼び出します。
  3. Multiple Object Tracking Accuracy (MOTA)、IDentity F1 Score (IDF1)、Higher Order Tracking Accuracy (HOTA)、Detection Accuracy (DetA)、Association Accuracy (AssA)、偽陽性 (FPs)、偽陰性 (FNs)、およびIDスイッチイベントを含む、原稿に報告されている評価メトリクスを記録します。評価サマリーを表としてエクスポートし、検証用にシーケンスごとの評価ファイルを保存してください。
  4. JerseyTrackをベースライン手法と比較する場合、すべての手法で同一のデータセット分割、検出器出力、および評価構成を使用してください。各比較について、データセット、検出器出力ソース、評価ツールキットの構成、およびメトリクス値を記録してください。
  5. 評価ログを確認し、すべてのシーケンスが正常に評価され、トラッキング結果ファイルに不足がないことを検証します
    注：本研究では、主要なTrackEvalサマリーファイルは以下に保存されました：outputs\formal_runs\sportsmot_val_yolo11x_i960_e3_center_motion_filter_fine_
    round1\minlen95\trackeval\JerseyTrack_i960_
    e3_center_motion_minlen95\pedestrian_summary.txt。このセクションの期待される成果は、報告された結果およびその後の検証を裏付ける、完全な評価サマリー表とシーケンスごとのメトリクスファイルです。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

結果

本セクションでは、評価したスポーツマルチオブジェクトトラッキング実験から得られた定量的および定性的な結果について報告します。結果は、追跡精度、アイデンティティの保持、アソシエーションの品質、およびテストしたデータセット設定における堅牢性に焦点を当てています。パフォーマンスに関する主張は、「プロトコルおよび実装セットアップ」で説明した評価手法、データセット、検出器の出力、および評価ツールキットの設定に限定されます。

実験セットアップおよび評価デザイン

データセットおよび前処理：

検出器の準備、トラッキング推論、および定量評価の主要なベンチマークとしてSportsMOTを使用した。このデータセットには、サッカー、バスケットボール、バレーボールのシナリオにわたる240本のビデオシーケンスと150,000枚以上の画像フレームが含まれている（図5

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

ディスカッション

本研究では、検出信頼度によるパーティショニングとユニフォームのセマンティックキューを組み合わせた、信頼度誘導型スポーツMOTワークフローを評価した。信頼度誘導による関連付けとセマンティック特徴の融合は、マルチオブジェクトトラッキングにおけるデータ関連付けを改善するための相補的な戦略として研究されている12,20,23,24,46。結果から、完全なJerseyTrack構成は、評価したSportsMOTバリデーション設定において、ID保持能力と関連付けの安定性を向上させることが示された。主要なSportsMOTバリデーション結果は、MOTA 88.9%、HOTA 69.9%、IDF1 74.3%、DetA 80.2%、およびAssA 54.3%に達した。これらの値は、プロトコルに記載されている検出器出力ソース、データ...

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

開示事項

著者らは、財務的な利益相反がないことを宣言します。

謝辞

著者に謝辞はありません。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

材料

この記事で使用された材料の一覧
名前会社カタログ番号コメント
CUDA RuntimeNVIDIAVersion 12.8検出器のトレーニング、セマンティック特徴抽出、およびトラッキング推論に使用されるGPUコンピューティングランタイム。
EasyOCRJaided AIVersion 1.7.2背番号認識に使用される光学文字認識ツールキット。
JerseyTrack ソースコード著者N/Aデータ準備、セマンティック特徴抽出、信頼度パーティショニング、トラッキング、後処理、および評価スクリプトを含むカスタム実装。入手先：https://doi.org/10.5281/zenodo.21274352
軽量CRNN OCRモデル著者N/A背番号認識に使用されるカスタム畳み込み回帰ニューラルネットワーク（CRNN）。
MOT17 データセットMOTChallengeN/Aクロスデータセット評価に使用される公開ベンチマークデータセット。入手先：https://motchallenge.net/data/MOT17/
MOT20 データセットMOTChallengeN/Aクロスデータセット評価に使用される公開ベンチマークデータセット。入手先：https://motchallenge.net/data/MOT20/
motmetricsmotmetrics 開発者Version 1.4.0診断用マルチオブジェクトトラッキング指標の算出に使用されるライブラリ。
NVIDIA GPUNVIDIAGeForce RTX 5090 D V2検出器のトレーニングおよびトラッキング推論に使用されるグラフィックス処理装置。
NVIDIA GPU ドライバNVIDIAVersion 610.62実験環境で使用されるGPUドライバ。
NumPyNumPy 開発者Version 2.4.4特徴処理およびデータハンドリングに使用される数値計算ライブラリ。
OpenCVOpenCVVersion 4.10.0画像の読み込み、クロッピング、前処理、および可視化に使用されるコンピュータビジョンライブラリ。
PythonPython Software FoundationVersion 3.12.2ワークフロー全体で使用されるプログラミング言語。
PyTorchPyTorch FoundationVersion 2.11.0+cu128検出器およびセマンティックモデルの実装に使用されるディープラーニングフレームワーク。
scikit-learnscikit-learn 開発者Version 1.9.0ジャージ色の抽出および信頼度パーティショニング中の K-means クラスタリングに使用される機械学習ライブラリ。
SoccerNet Tracking データセットSoccerNetN/Aクロスデータセット評価に使用される公開サッカートラッキングベンチマーク。入手先：https://www.soccer-net.org/tasks/tracking
SportsMOT データセットSportsMOT BenchmarkN/A検出器の準備およびトラッキング評価に使用される主要ベンチマークデータセット。入手先：https://deeperaction.github.io/datasets/sportsmot.html
TeamTrack データセットTeamTrack BenchmarkN/Aクロスデータセット評価に使用される公開スポーツトラッキングベンチマーク。入手先：https://atomscott.github.io/TeamTrack/
TorchvisionPyTorch FoundationVersion 0.26.0+cu128画像変換およびモデルサポートのために PyTorch と併用されるコンピュータビジョンライブラリ。
TrackEvalTrackEval 開発者Version 1.3.0Multiple Object Tracking Accuracy (MOTA)、IDentity F1 Score (IDF1)、Higher Order Tracking Accuracy (HOTA)、Detection Accuracy (DetA)、Association Accuracy (AssA)、偽陽性 (FP)、偽陰性 (FN)、および ID スイッチ (IDs) を算出するために使用される評価ツールキット。
UltralyticsUltralyticsVersion 8.4.90検出器のトレーニングおよびアスリート検出の生成に使用される物体検出フレームワーク。

参考文献

  1. Naik BT, Hashmi MF, Bokde ND. A comprehensive review of computer vision in sports: open issues, future trends and research directions. Applied Sciences. 2022;12(9):4429-46.
  2. Cao W, Wang X, Liu X, Xu Y. A deep learning framework for multi-object tracking in team-sports videos. IET Computer Vision. 2024;18(5):574-90.
  3. Fu X, et al. A novel dataset for multi-view multi-player tracking in soccer scenarios. Applied Sciences. 2023;13(9):5361-77.
  4. Guo Y, et al. Does visual training enhance athletes' decision-making skills and sport-specific performance? A systematic review and meta-analysis. Scand J Med Sci Sports. 2025;35(10):e70140.
  5. Chen X, et al. Multi-object detection and tracking based on CRF network and spatio-temporal attention for sports videos. Scientific Reports. 2025;15(1):6808-21.
  6. Cheng X, Zhao H, Deng Y, Shen S. Multi-object tracking with predictive information fusion and adaptive measurement noise. Applied Sciences. 2025;15(2):736-48.
  7. Hu Q, Scott A, Yeung C, Fujii K. Basketball-SORT: an association method for complex multi-object occlusion problems in basketball multi-object tracking. Multimedia Tools Appl. 2024;83(38):86281-97.
  8. Meng W, Duan S, Ma S, Hu B. Motion-Perception Multi-Object Tracking (MPMOT): enhancing multi-object tracking performance via motion-aware data association and trajectory connection. Journal of Imaging. 2025;11(5):144.
  9. Nie G, Wang X, Zhang D, Wang H. SCT-Diff: seamless contextual tracking via diffusion trajectory. Journal of Imaging. 2026;12(1):38.
  10. Yue Y, et al. Improving multi-object tracking by full occlusion handle and adaptive feature fusion. IET Image Processing. 2023;17(12):3423-40.
  11. Li H, et al. Synergistic-aware cascaded association and trajectory refinement for multi-object tracking. Image Vis Comput. 2025;154:105695.
  12. Wang C, Xie H. FCD-Net: feature decorrelation and confidence-driven dynamic fusion for robust pedestrian recognition in autonomous driving. IEEE Trans Intell Transp Syst. 2025;26(1):1-13.
  13. Wan S, Chen W. Improved multi-target athlete tracking in sports videos using IYOLOv8-MTD and enhanced DeepSORT with hybrid attention and IMM. Informatica. 2025;49(35):101-16.
  14. Sun Z, et al. Multiple pedestrian tracking under occlusion: a survey and outlook. IEEE Trans Circuits Syst Video Technol. 2025;35(2):1009-27.
  15. Qian H, et al. Low-altitude multi-object tracking via graph neural networks with cross-attention and reliable neighbor guidance. Remote Sensing. 2025;17(20):3502.
  16. Liu C, Li H, Wang Z. FastTrack: a highly efficient and generic GPU-based multi-object tracking method with parallel Kalman filter. Int J Comput Vis. 2024;132(5):1463-83.
  17. Urdiales J, Martín D, Armingol JM. An improved deep learning architecture for multi-object tracking systems. Integr Comput Aided Eng. 2023;30(2):121-34.
  18. You L, et al. Multi-object vehicle detection and tracking algorithm based on improved YOLOv8 and ByteTrack. Electronics. 2024;13(15):3033.
  19. Stanczyk T, Yoon S, Bremond F. No train yet gain: towards generic multi-object tracking in sports and beyond [conference paper]. In: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops; 2025. p. 6085-94. https://doi.org/10.48550/arXiv.2506.01373
  20. Mandel T, et al. Detection confidence driven multi-object tracking to recover reliable tracks from unreliable detections. Pattern Recognit. 2023;135:109107.
  21. Hou M, Wu Y, Shi H, Mu X. A two-stage multi-object tracking algorithm with transformer and attention mechanism. Scientific Reports. 2025;15(1):31414.
  22. Wenkel S, et al. Confidence score: the forgotten dimension of object detection performance evaluation. Sensors. 2021;21(13):4350.
  23. Zhang F, Hu Y, Li Z, Luo D. Two-stage multi-object tracking via low confidence dynamic adaptive matching enhancement for autonomous driving. Applied Soft Computing. 2025;168:112101.
  24. Stanojevic VD, Todorovic BT. BoostTrack: boosting the similarity measure and detection confidence for improved multiple object tracking. Mach Vis Appl. 2024;35(3):53.
  25. Tan S, Kuang Z, Jin B. AppleYOLO: apple yield estimation method using improved YOLOv8 based on Deep OC-SORT. Expert Syst Appl. 2025;272:126764.
  26. Li YF, et al. Multi-object tracking with robust object regression and association. Comput Vis Image Underst. 2023;227:103586.
  27. Mao H, Chen Y, Li Z, Chen F, Chen P. SCTracker: multi-object tracking with shape and confidence constraints. IEEE Sensors Journal. 2023;24(3):3123-30.
  28. Ma J, Yang J, Zhang J, Fu F. Online multiple object tracker with enhanced features. Journal of Electronic Imaging. 2023;32(1):013030.
  29. Liu Y, et al. A full-detection association tracker with confidence optimization for real-time multi-object tracking. J Real-Time Image Process. 2024;21(4):1-15.
  30. Song Z, et al. Temporal coherent object flow for multi-object tracking [conference paper]. In: Proceedings of the AAAI Conference on Artificial Intelligence; 2025;39(7):6978-86. https://doi.org/10.1609/aaai.v39i7.32749.
  31. Scarrica VM, Staiano A. Learning from outputs: improving multi-object tracking performance by tracker fusion. Technologies. 2024;12(12):239.
  32. Miah M, Bilodeau GA, Saunier N. Learning data association for multi-object tracking using only coordinates. Pattern Recognit. 2025;160:111169.
  33. Yang C, Yang M, Li H. A survey on soccer player detection and tracking with videos. Visual Computer. 2025;41(2):815-29.
  34. Pham DT, Thuy NTT, Tran LQ. SportsORT: overcoming challenges of multi-object tracking in sports through domain-specific features and out-of-view re-association. Mach Vis Appl. 2025;36(6):1-17.
  35. Naik BT, Hashmi MF, Geem ZW, Bokde ND. DeepPlayer-Track: player and referee tracking with jersey color recognition in soccer. IEEE Access. 2022;10:32494-509.
  36. Scott A, et al. TeamTrack: a dataset for multi-sport multi-object tracking in full-pitch videos. Sports Engineering. 2024;27(2):24.
  37. Vats K, et al. Player tracking and identification in ice hockey. Expert Syst Appl. 2023;213:119250.
  38. Liu W, Yao J, Jiang F, Wang M. An improved multi-object tracking algorithm designed for complex environments. Sensors. 2025;25(17):5325.
  39. Kausalya K, Kanaga Suba Raja S. OTRN-DCN: an optimized transformer-based residual network with deep convolutional network for action recognition and multi-object tracking of adaptive segmentation using soccer sports video. Int J Wavelets Multiresolut Inf Process. 2024;22(1):2350034.
  40. Lopes JM, et al. Object and event detection pipeline for rink hockey games. Future Internet. 2024;16(6):179.
  41. Thulasya Naik B, Hashmi MF, Gupta A. EIoU-distance loss: an automated team-wise player detection and tracking with jersey colour recognition in soccer. Connection Science. 2024;36(1):2291991.
  42. Liu H, et al. Automated player identification and indexing using two-stage deep learning network. Scientific Reports. 2023;13(1):10036.
  43. Bhargavi D, Gholami S, Pelaez Coyotl E. Jersey number detection using synthetic data in a low-data regime. Front Artif Intell. 2022;5:988113.
  44. Dendorfer P, et al. MOTChallenge: a benchmark for single-camera multiple target tracking. Int J Comput Vis. 2021;129(4):845-81.
  45. Luiten J, et al. HOTA: a higher order metric for evaluating multi-object tracking. Int J Comput Vis. 2021;129(2):548-78.
  46. Pal SK, Pramanik A, Maiti J, Mitra P. Deep learning in multi-object video tracking: a review. Mach Vis Appl. 2021;51(9):6400-29.

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

再版と許可

タグ

信頼度誘導トラッキング選手の軌跡動作の類似性ユニフォームの色光学文字認識アイデンティティの一貫性SportsMOTデータセット
お問い合わせ
図書館に推薦する

プライバシー

利用規約

ポリシー

著作権 © 2026 MyJoVE Corporation. 無断転載を禁じます。