テニスにおける戦術分析のデータは現状人の手でアノテーションされており負担が大きい．よって本研究ではテニス動画からヒットした瞬間を正確に予測するヒット検出を行うことを目的とする． 先行研究では訓練データとテストデータで同じ環境のデータ使用しており，未知の環境の動画に対して適応されていない．したがって，本研究では実用性を考慮し，多様な環境の動画を訓練することで未知の環境のヒット検出の性能を向上させることを検討する． Transformerには大規模データを使用すると精度向上するという特徴があるため，これを用いることで上記の課題を解決できるという仮説を立てた．よって本研究ではTransformerを使用したActionFormerをモデルとして使用することを提案する． 実験ではテニスコートの手前と奥の選手それぞれでモデルを作成し，動画内ヒット検出の性能をF1値で評価した．先行研究では手前と奥それぞれの選手について0.636,0.538であったが，提案手法では0.762,0.738と精度が10%以上向上する結果となった．
