SportMamba: Adaptive Non-Linear Multi-Object Tracking with State Space Models for Team Sports
University of Waterloo（滑铁卢大学）
SportMamba提出mamba-注意力机制与高度自适应空间关联度量，结合自适应缓冲区扩展检测搜索空间，解决团队运动非线性运动与遮挡下的多目标跟踪问题，并在SportsMOT及冰球数据集上取得领先性能。
2025-06-03 cs.CV
Indoor Activity Detection and Recognition for Sport Games Analysis
University of Graz（格拉茨大学）
体育运动中的动作识别是计算机视觉的一个研究热点。游戏，球员和团队分析是非常感兴趣的，在这个领域的研究课题出现了自动化分析的目标。运动的非常具体的基本规则可以用作识别任务的先验知识，并提供用于评估的约束环境。本文以排球运动为例，阐述了对体育运动中单人活动的认识。从每帧播放器为中心的活动识别开始，我们将几何形状和上下文信息通过活动上下文描述符，收集有关所有玩家的活动在一定的时间跨度相对于调查的球员的信息。在我们新的现实生活数据集上评估了这种上下文信息对单人活动识别的好处，该数据集提供了近36k的注释帧，其中包含6个职业排球比赛视频中的7个活动类。我们结合的上下文信息提高了77.56%的平均球员为中心的分类性能高达18.35%的特定类，证明时空背景是活动识别的重要线索。
2014-04-25 cs.CV
Contrastive Learning for Sports Video: Unsupervised Player Classification
York University（约克大学）
我们解决的问题，在一个团队运动中的球员根据他们的团队隶属关系，当球衣的颜色和设计是不知道的先验的无监督分类。我们采用了一种对比学习方法，在这种方法中，嵌入网络学习以纯粹无监督的方式，在没有任何标记数据的情况下，最大化不同球队的球员相对于同一球队的球员的表示之间的距离。我们使用一个新的曲棍球数据集的方法进行评估，发现它优于以前的无监督方法的大幅保证金，特别是对于实时应用程序时，只有少量的帧可用于无监督学习之前，必须进行团队分配。值得注意的是，我们的对比方法在单帧无监督训练后达到了94%的准确率，在500帧（17秒的游戏时间）内准确率上升到97%。我们进一步展示了如何准确的团队分类允许准确的团队条件热图的球员定位计算。
2021-05-03 cs.CV
Sports Analysis and VR Viewing System Based on Player Tracking and Pose Estimation with Multimodal and Multiview Sensors
Tsinghua University（清华大学）
本文首次提出基于多视角LiDAR与相机的体育比赛分析与VR/AR实时可视化系统，通过有限监督的多球员跟踪与姿态估计框架和三维化身建模，实现精确分析与沉浸式观赛。
2024-05-02 cs.CV
Towards long-term player tracking with graph hierarchies and domain-specific features
York University（约克大学）
提出SportsSUSHI层次图方法，利用球衣号码、球队ID和场地坐标等特征，在SoccerNet和新曲棍球数据集上提升长期球员跟踪的关联准确性。
2025-02-28 cs.CV
BST: Badminton Stroke-type Transformer for Skeleton-based Action Recognition in Racket Sports
National Tsing Hua University（国立清华大学）
本文提出BST模型，通过视频剪辑策略提取羽毛球比赛中的击球帧，结合姿态估计、羽毛球轨迹追踪和场地线检测，实现单人击球动作分类，实验结果在多个数据集上优于现有方法。
2026-03-31 cs.CV
Self-Learning for Player Localization in Sports Video
本文介绍了一种新的自学习框架，自动化的标签采集过程，以提高模型检测球员在体育比赛的广播镜头。与大多数以前的自学习方法，以提高基于外观的对象检测器从视频，我们允许一个未知的，不受约束的目标对象的数量在一个更广义的视频序列与非静态相机的意见。我们的自学习方法使用一个潜在的SVM学习算法和可变形的部分模型来表示球员的形状和颜色信息，约束他们的运动，并学习一个温和的Adaboost算法的运动场的颜色。我们结合这些图像线索，并从未标记的数据中自动发现额外的标签。在我们的实验中，我们的方法利用稀疏标记的体育比赛视频中的标记和未标记数据，当视频包含很少的标记图像时，检测体育运动员和改进跟踪的平均精度的平均性能提高了20%以上。
2013-07-27 cs.AI cs.CV
SportsNGEN: Sustained Generation of Realistic Multi-player Sports Gameplay
Hawk-Eye Innovations Ltd.（鹰眼光学创新有限公司）；University of Cambridge（剑桥大学）
本文提出基于Transformer解码器的体育模拟引擎SportsNGEN，可生成真实多人体育玩法并模拟运动员决策，经网球数据训练可预测回合结果、评估反事实场景等，能模拟整场比赛，且可定制化，对足球也适用。
2024-11-18 cs.CV cs.LG eess.IV
About latent roles in forecasting players in team sports
Sapienza University of Rome（罗马第一大学）
本文提出 RolFor 端到端模型，通过 OrderNN 分配潜在角色并由 RoleGCN 建模角色关系，以提升团队运动中的球员轨迹预测。
2024-04-16 cs.CV
Optical tracking in team sports
Budapest University of Technology（布达佩斯技术大学）；MTA-BME Information Systems and Economics Research Group（MTA-BME信息系统与经济学研究组）
体育分析对于教练、球探和球迷来说已经变得至关重要。最近，计算机视觉研究人员提出了几种自动球员和球跟踪的方法，从而承担了收集必要数据的挑战。基于收集的跟踪数据，数据挖掘人员能够对球员和球队的表现进行定量分析。通过本调查，我们的目标是为定量数据分析师提供关于创建输入数据的过程及其特征的基本理解。因此，我们通过分别提供传统和深度学习方法的综合分类来总结最近的光学跟踪方法。此外，我们还讨论了跟踪的预处理步骤，在这一领域中最常见的挑战，以及跟踪数据在运动队中的应用。最后，我们比较了它们的成本和局限性的方法，并总结了突出潜在的未来研究方向的工作。
2022-04-08 cs.AI cs.CV
Pan-tilt-zoom SLAM for Sports Videos
University of British Columbia（不列颠哥伦比亚大学）；Zhejiang University（浙江大学）
我们提出了一个在线SLAM系统，专门设计用于在篮球和足球比赛等高度动态的运动中跟踪云台（PTZ）摄像机。在这些游戏中，PTZ摄像机旋转非常快，玩家覆盖大的图像区域。为了克服这些挑战，我们建议使用一种新的相机模型进行跟踪，并使用射线作为地标映射。光线克服了纯旋转相机的深度缺失。我们还开发了一个在线的云台森林映射，并引入移动对象（球员）检测，以减轻前景对象的负面影响。我们在合成和真实数据集上测试了我们的方法。实验结果表明，我们的方法优于以前的方法在线PTZ摄像机位姿估计的性能。
2019-07-20 cs.CV
Women Sport Actions Dataset for Visual Classification Using Small Scale Training Data
Haldia Institute of Technology（哈尔迪亚理工学院）；BITS Pilani（皮拉尼比尔拉理工学院）
针对女子体育动作数据集缺失问题，本研究提出WomenSports数据集，并设计结合局部上下文通道注意力机制的CNN进行特征提取，在多个数据集上取得显著分类效果。
2025-07-15 cs.CV
A Comprehensive Review of Computer Vision in Sports: Open Issues, Future Trends and Research Directions
National Institute of Technology, Warangal（瓦朗加尔国家理工学院）；Aarhus University（奥胡斯大学）
体育视频分析和计算机视觉技术的最新发展已经实现了显著的改进，以实现各种关键操作。为了提供增强的信息，例如足球、篮球、板球、羽毛球等运动中的详细复杂分析，研究主要集中在用于执行不同任务的计算机视觉技术上。本文综述了体育视频分析在运动员检测和分类、运动员跟踪和运动轨迹预测、运动队策略识别、运动项目分类等方面的应用。本文进一步讨论了各种与体育相关的特定应用任务中的已发表作品以及目前研究人员对它们的看法。由于在体育运动中有广泛的研究范围，用于在各种体育运动中部署计算机视觉技术，因此已经提供了与特定体育运动相关的一些公开可用的数据集。这项工作回顾了一些人工智能（AI）在体育视觉，基于GPU的工作站和嵌入式平台的应用程序的详细讨论。最后，本文综述了运动视觉识别领域的研究方向、可能面临的挑战和未来趋势。
2022-03-23 cs.CV eess.IV
Fiber-Flux Diffusion Density for White Matter Tracts Analysis: Application to Mild Anomalies Localization in Contact Sports Players
Ben-Gurion University of the Negev（内盖夫本-古里安大学）；The Zlotowski Center for Neuroscience, Ben-Gurion University of the Negev（内盖夫本-古里安大学兹洛托夫斯基神经科学中心）；Dalhousie University（达尔豪斯大学）
我们提出了局部量化白质（WM）纤维束的纤维通量密度的概念。通过组合标量扩散率测量（例如，分数各向异性）与纤维通量测量，我们定义了新的局部描述符称为纤维通量扩散密度（FFDD）矢量。在整个纤维束中应用每个描述符允许特定扩散测量与几何特性（诸如纤维取向和相干性）的沿束耦合。在所提出的框架中的一个关键步骤是构建一个FFDD相异性测量的纤维束的子体素对齐，基于快速行进法（FMM）。所获得的对齐的WM轨迹配置文件，使有意义的受试者间比较和分组的统计分析。我们使用两个不同的接触性运动员数据集来演示我们的方法。沿道成对比较以及组明智的分析，就非球员健康控制，揭示了显着的和空间一致的FFDD异常。比较我们的方法与沿轨道FA分析表明，在标准FA测量的足球运动员微妙的结构异常的灵敏度提高。
2017-09-18 cs.CV q-bio.QM
Human-in-the-loop Adaptation in Group Activity Feature Learning for Team Sports Video Retrieval
Toyota Technological Institute（丰田技术研究所）；University of Hyogo（兵库大学）
本文提出一种人机协同适应方法，通过交互式微调优化群体活动特征学习，提升团队体育视频检索性能。
2026-02-03 cs.CV
Sports Video Analysis on Large-Scale Data
University of Pittsburgh（匹兹堡大学）；York University（约克大学）；École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）
本文研究了体育视频自动机器描述的建模，这是最近取得的进展。然而，最先进的方法还远远不能捕捉人类专家如何分析体育场景。有几个主要原因：（1）所使用的数据集是从非官方提供商收集的，这自然会在这些数据集上训练的模型与真实世界的应用程序之间产生差距;（2）以前提出的方法需要大量的注释工作（即，像素级的球员和球分割）对定位有用的视觉特征以产生可接受的结果;（3）很少有公共数据集可用。在本文中，我们提出了一个新的大规模NBA数据集的体育视频分析（NSVA），重点是字幕，以解决上述挑战。我们还设计了一个统一的方法来处理原始视频到一个堆栈的有意义的功能，最小的标签工作，显示交叉建模等功能使用Transformer架构导致强大的性能。此外，我们展示了广泛的应用NSVA解决两个额外的任务，即细粒度的运动动作识别和显着的球员识别。代码和数据集可在https://github.com/jackwu502/NSVA上获得。
2022-08-09 cs.CV
Player Tracking and Identification in Ice Hockey
University of Waterloo（滑铁卢大学）；Stathletes Inc.（Stathletes公司）
跟踪和识别球员是基于计算机视觉的冰球分析的基本步骤。跟踪生成的数据用于许多其他下游任务，例如游戏事件检测和游戏策略分析。球员跟踪和识别是一个具有挑战性的问题，因为曲棍球运动员的运动是快节奏和非线性相比，行人。在曲棍球广播视频中也有显著的摄像机平移和缩放。识别冰球运动员是一项挑战，因为同一支球队的球员看起来几乎相同，球衣号码是球员之间唯一的区别因素。本文介绍了一个自动化系统，以跟踪和识别播放NHL曲棍球视频中的球员。该系统由三个部分组成：（1）球员跟踪，（2）球队识别和（3）球员识别。由于缺乏公开可用的数据集，用于训练三个组件的数据集被手动注释。玩家跟踪是在最先进的跟踪算法的帮助下进行的，获得了94.5%的多目标跟踪准确度（MOTA）分数。对于球队识别，客队球衣被分组为一个类别，主队球衣根据球衣颜色分组。然后在团队识别数据集上训练卷积神经网络。团队识别网络在测试集上的准确率为97%。介绍了一种新的球员识别模型，该模型利用时间一维卷积网络从球员限界框序列中识别球员。球员识别模型进一步利用可用的NHL比赛名册数据来获得83%的球员识别准确度。
2021-12-02 cs.CV
Detecting and Matching Related Objects with One Proposal Multiple Predictions
Sportlogiq
体育视频中的运动员跟踪通常在检测跟踪框架中完成，首先检测每帧中的运动员，然后随着时间的推移执行关联。虽然对于一些运动来说，跟踪玩家对于游戏分析是足够的，但是像曲棍球、网球和马球这样的运动可能需要额外的检测，其包括玩家正在握持的对象（例如球拍、棍子）。这个问题的基线解决方案涉及将这些对象作为单独的类进行检测，并基于交集对并集（IoU）将它们与玩家检测进行匹配。然而，这种方法在拥挤的情况下会导致较差的匹配性能，因为它没有对玩家和对象之间的关系进行建模。在本文中，我们提出了一种简单而有效的方法来检测和匹配球员和相关的对象在一次没有额外的成本，通过考虑隐式关联预测多个对象通过相同的建议框。我们在广播冰球视频的数据集上评估了该方法，并且还介绍了一个新的公共数据集，称为COCO +Torso。在冰球数据集上，该方法将匹配性能从57.1%提高到81.4%，同时将球员+棍子检测的平均AP从68.4%提高到88.3%。在COCO +Torso数据集上，我们看到匹配率从47.9%提高到65.2%。COCO +Torso数据集、代码和预训练模型将在https://github.com/foreverYoungGitHub/detect-and-match-related-objects上发布。
2021-04-23 cs.CV
SportsMOT: A Large Multi-Object Tracking Dataset in Multiple Sports Scenes
Nanjing University（南京大学）
本文提出大规模多运动场景多目标跟踪数据集SportsMOT，并针对目标关联难题设计MixSort框架，通过融合外观与运动关联在SportsMOT和MOT17上取得领先性能。
2023-04-13 cs.CV
Automated Hit-frame Detection for Badminton Match Analysis
National Chengchi University（政治大学）
本研究利用现代深度学习技术提出一种包含回合制视频裁剪、关键点检测和飞行方向预测的羽毛球比赛自动击球帧检测方法，在镜头角度识别和飞行方向预测上分别达到99%和92%以上的准确率。
2023-08-02 cs.CV
Coherent Multi-Agent Trajectory Forecasting in Team Sports with CausalTraj
CausalTraj通过因果轨迹模型在团队体育中实现多智能体轨迹预测，提升联合预测的准确性和场景连贯性。
2025-12-14 cs.CV cs.LG
Deep HM-SORT: Enhancing Multi-Object Tracking in Sports with Deep Features, Harmonic Mean, and Expansion IOU
Norwegian University of Science and Technology - NTNU（挪威科技大学（NTNU））
针对体育场景多目标跟踪的ID切换等难题，提出融合深度特征、调和均值与Expansion IOU的Deep HM-SORT算法，在两个公开基准上取得SOTA性能，且未增加计算成本。
2024-06-17 cs.CV
GTA: Global Tracklet Association for Multi-Object Tracking in Sports
University of Washington（华盛顿大学）
提出基于外观的全局轨迹段关联算法，通过拆分和连接轨迹段提升多目标跟踪性能，在多个数据集上取得最优结果。
2024-11-12 cs.CV
A Survey on Video Action Recognition in Sports: Datasets, Methods and Applications
Peking University（北京大学）；Baidu Inc.（百度公司）
为了理解人类的行为，基于视频的动作识别是一种常用的方法。与基于图像的动作识别相比，视频提供了更多的信息。减少动作的模糊性，在过去的十年中，许多专注于数据集、新模型和学习方法的工作将视频动作识别提高到了一个更高的水平。然而，存在挑战和未解决的问题，特别是在体育分析中，其中数据汇集和标记更加复杂，需要体育专业人员对数据进行注释。此外，动作可能非常快，并且很难识别它们。此外，在足球和篮球等团队运动中，一个动作可能涉及多个球员，为了正确识别它们，我们需要分析所有球员，这相对复杂。在本文中，我们提出了一个调查视频动作识别体育分析。我们介绍了十多个运动项目，包括足球、篮球、排球、曲棍球等团队运动和花样滑冰、体操、乒乓球、网球、跳水、羽毛球等个人运动。然后，我们比较了现有的众多体育分析框架，目前的现状，在团队运动和个人运动的视频动作识别。最后，我们讨论了这一领域的挑战和未解决的问题，为了促进体育分析，我们使用PaddlePaddle开发了一个工具箱，支持足球，篮球，乒乓球和花样滑冰动作识别。
2022-06-02 cs.AI cs.CV cs.MM
A New Unified Method for Detecting Text from Marathon Runners and Sports Players in Video
Kalyani Government Engineering College（卡里亚尼政府工程学院）；University of Malaya（马来亚大学）；Indian Statistical Institute（印度统计研究所）；Nanjing University（南京大学）；University of Technology Sydney（悉尼科技大学）
检测视频中马拉松运动员和体育运动员躯干上的文本是一个具有挑战性的问题，这是由于柔性/彩色服装以及人体或动作的不同结构造成的质量差和不利影响。本文提出了一种新的统一的方法来应对上述挑战。该方法融合了文本像素的梯度大小和方向一致性，以一种新的方式检测候选区域。候选区域用于确定通过对帧差进行K均值聚类而获得的时间帧聚类的数目。这个过程反过来检测关键帧。所提出的方法探讨贝叶斯概率皮肤部分使用颜色值在像素和组件级别的时间帧，提供融合图像与皮肤组件。基于皮肤信息，该方法然后检测人脸和躯干之间的结构和空间的连贯性。我们进一步提出了自适应像素，链接深度学习模型，用于从躯干区域进行文本检测。我们自己的数据集上收集的马拉松/体育视频和三个标准的数据集，即RBNR，MMM和R-ID的马拉松图像，所提出的方法进行测试，以评估性能。此外，本文还在标准自然场景数据集CTW 1500和MS-COCO文本数据集上进行了测试，验证了本文方法的客观性。通过与现有方法在不同数据集上的号码布/文本检测结果的对比研究表明，该方法优于现有方法。
2020-05-26 cs.CV cs.MM
Expert Human-Level Driving in Gran Turismo Sport Using Deep Reinforcement Learning with Image-based Representation
Sony AI Inc.（索尼人工智能公司）
当人们玩虚拟赛车游戏时，他们使用游戏屏幕上的视觉环境信息来理解环境中的规则。相比之下，一个最先进的现实赛车游戏人工智能智能体，表现优于人类玩家不使用基于图像的环境信息，但紧凑和精确的测量提供的环境。在本文中，提出了一种基于视觉的控制算法，并与人类玩家的表现在相同的条件下，在现实的赛车场景使用赛车运动（GTS），这是一个高保真逼真的赛车模拟器。在所提出的方法中，在传统的国家的最先进的方法的观察组成的一部分的环境信息被替换为从游戏屏幕图像中提取的特征表示。我们证明了所提出的方法进行专家的人类水平的车辆控制下高速驾驶的情况下，即使与游戏屏幕图像作为高维输入。此外，它在计时赛任务中的表现优于GTS中的内置AI，其得分使其跻身前10%（约28，000名人类玩家）。
2021-11-11 cs.AI cs.CV
Towards Structured Analysis of Broadcast Badminton Videos
IIIT Hyderabad（海得拉巴国际信息技术学院）
体育视频数据几乎为每一个主要的比赛记录，但仍然存档，无法进行大规模数据采掘和分析。它只能按顺序查看或手动标记更高级别的标签，这是耗时的，容易出错。在这项工作中，我们提出了一个端到端的自动属性标记和分析的体育视频框架。我们使用常见的比赛广播视频，与以前的方法不同，不依赖于特殊的摄像机设置或额外的传感器。我们的重点是羽毛球作为一项令人感兴趣的运动。我们提出了一种方法来分析一个大型语料库的羽毛球广播视频分割点发挥，跟踪和识别球员在每个点和注释各自的羽毛球击球。我们对10场奥运会比赛的20名球员进行了评估，获得了95.44%的点分割准确率，97.38%的球员检测分数（mAP@0.5），97.98%的球员识别准确率，以及80.48%的笔画分割编辑分数。我们进一步表明，自动注释的视频单独可以通过计算可理解的指标，如球员的反应时间，速度和步法在球场上，等等，使游戏分析和推理。
2017-12-23 cs.CV cs.MM
Enhancing Sports Strategy with Video Analytics and Data Mining: Automated Video-Based Analytics Framework for Tennis Doubles
Department of Information Systems and Analytics（信息系统与分析系）；School of Computing（计算学院）；National University of Singapore（新加坡国立大学）
本文提出面向网球双打的自动化视频分析框架，结合GroundingDINO与YOLO-Pose进行球员定位和姿态估计，并证明基于CNN的迁移学习模型在预测击球类型、站位和阵型上优于姿态方法。
2025-06-24 cs.CV cs.LG
DeepSportradar-v1: Computer Vision Dataset for Sports Understanding with High Quality Annotations
Sportradar AG（Sportradar股份公司）
随着深度学习应用于计算机视觉的最新发展，体育视频理解获得了大量关注，为体育消费者和联盟提供了更丰富的信息。本文介绍了DeepSportradar-v1，这是一套用于自动体育理解的计算机视觉任务，数据集和基准测试。该框架的主要目的是缩小学术研究与现实世界环境之间的差距。为此，数据集提供高分辨率的原始图像，相机参数和高质量的注释。DeepSportradar目前支持四个与篮球相关的挑战性任务：球3D定位、摄像机校准、球员实例分割和球员重新识别。对于这四个任务中的每一个，都提供了数据集、目标、性能指标和建议的基线方法的详细描述。为了鼓励对体育理解的先进方法进行进一步研究，作为ACM多媒体2022会议的MMPorts研讨会的一部分，组织了一场比赛，参与者必须开发最先进的方法来解决上述任务。这四个数据集、开发工具包和基线都是公开的。
2022-08-17 cs.CV cs.LG eess.IV
Distantly Supervised Semantic Text Detection and Recognition for Broadcast Sports Videos Understanding
Yahoo! Research（雅虎研究院）；Microsoft（微软）
全面理解多人体育直播视频中的关键球员和动作是一个具有挑战性的问题。与新闻或财经视频不同，体育视频的文本有限。虽然多人体育运动的动作识别和运动员检测都已经有了强大的研究，但理解视频帧中的上下文文本仍然是体育视频理解最有效的途径之一。在这项工作中，我们研究了非常准确的语义文本检测和识别运动时钟，其中的挑战。我们观察到运动时钟的独特属性，这使得它很难利用通用的预训练检测器和识别器，以便文本可以被准确地理解到用于与外部知识对齐的程度。我们提出了一种新的远程监督技术来自动构建体育时钟数据集。随着适当的数据增强，结合任何国家的最先进的文本检测和识别模型架构，我们提取非常准确的语义文本。最后，我们分享了我们的计算架构管道，以在工业环境中扩展该系统，并提出了一个强大的数据集来验证我们的结果。
2021-10-31 cs.CV cs.IR cs.LG
Sports Video: Fine-Grained Action Detection and Classification of Table Tennis Strokes from Videos for MediaEval 2021
Max Planck Institute for Evolutionary Anthropology（马克斯·普朗克进化人类学研究所）；La Rochelle University（拉罗谢尔大学）；Univ. Bordeaux（波尔多大学）；CNRS（法国国家科学研究中心）；Bordeaux INP（波尔多国立高等理工学院）；LaBRI（波尔多计算机科学实验室）；University of Bordeaux（波尔多大学）
体育视频分析是一个热门的研究课题，由于各种各样的应用领域，从多媒体智能设备与用户定制的浏览器到运动员的表现分析。体育视频任务是MediaEval 2021基准的一部分。此任务处理视频中的细粒度动作检测和分类。重点是乒乓球比赛的录音。自2019年以来，该任务提供了一个分类挑战，来自在自然条件下记录的未经修剪的视频，每个笔画的时间边界已知。今年，该数据集得到了扩展，此外，还提供了一个来自没有注释的未修剪视频的检测挑战。这项工作的目的是为体育教练和运动员创建工具，以分析运动表现。运动分析和运动员分析可以建立在这样的技术上，以丰富运动员的训练经验并提高他们的表现。
2021-12-16 cs.AI cs.CV cs.LG
Table Tennis Stroke Recognition Using Two-Dimensional Human Pose Estimation
我们介绍了一种新的方法来收集乒乓球视频数据和执行中风检测和分类。一个多样化的数据集，包含11个基本的中风从14个专业乒乓球运动员的视频数据，总结了共22111视频已收集使用建议的设置。使用二维姿态估计开发的时间卷积神经网络模型对这11种乒乓球击球进行多类分类，验证准确率为99.37%。此外，神经网络很好地概括了从训练和验证数据集中排除的球员的数据，以98.72%的总体最佳准确度对新的击球进行分类。使用基于机器学习和深度学习的方法的各种模型架构已经被训练用于笔划识别，并且它们的性能已经被比较和基准测试。并讨论了该模型对运动员的成绩监测和击球比较等方面的应用。因此，我们正在为乒乓球运动开发基于计算机视觉的运动分析系统做出贡献，该系统专注于这项运动以前未开发的方面，即，球员的击球，这是非常有见地的性能提高。
2021-05-31 cs.CV cs.LG
