動画におけるアクションクラス分類のためのViT：アメリカンフットボール練習動画における危険なタックル動作検出へのアプローチ

概要: 接触スポーツにおける危険な行動の早期特定により、適切な介入が可能になり、選手の安全性が向上する。われわれは、アメリカンフットボールの練習動画において危険なタックルを検出する手法を提示し、本タスクのために大幅に拡張されたデータセットを導入する。われわれの研究には、全733本の単独選手—ダミーのタックルクリップが含まれており、それぞれが最初の接触点の周辺に時間的に局在化され、標準化されたAssessment for Tackling Technique（SATT-3）のストライクゾーン要素に基づいてラベル付けされている。これは、178本の注釈付き動画を報告した先行研究を拡張するものである。不均衡を考慮した学習を行うVision Transformerベースのモデルを用いて、交差検証のもとでリスクありリコール0.67、Risky F1 0.59を得た。より小さなサブセットにおける先行のベースライン（リスクありリコール0.58、Risky F1 0.56）と比べて、われわれの手法は、はるかに大規模なデータセットにおいて、リスクありリコールを8ポイント以上改善している。これらの結果は、不均衡クラスの慎重な取り扱いと組み合わせたVision Transformerベースの動画解析により、安全に関わるものの希少なタッキングのパターンを確実に検出でき、コーチ中心の傷害予防ツールに向けた実用的な道筋を提供できることを示している。