本文提出了一种基于注意力引导的 LSTM 神经网络架构，用于跳水视频的分类任务，并在最近引入的 Diving48 比赛跳水大数据集上对算法性能进行了评估。结果表明，该模型在 2D 和 3D 框架中的分类准确度分别提高了 11.54% 和 4.24%，并且能够在没有这种监督情况下对视频帧中的跳水运动员进行定位。

Apr, 2019

本研究旨在解决在个人运动员记录中检测运动事件的问题，通过使用 2D 人体姿势序列作为中间表示，并结合领域自适应的运动员追踪，提出了两种事件检测方法，在游泳和田径领域进行了评估，从而实现了灵活的基于姿势的运动事件检测。

Apr, 2020

该论文提出了一种通过深度神经网络对运动员的动作进行分类来生成运动视频摘要的方法，并采用日本剑术 Kendo 作为例子进行了评估，结果表明该方法优于之前的摘要方法。

Sep, 2017

本文提出考虑比赛运动的高层语义和内部时间结构是提高预测准确性和可解释性的关键，并根据 FineDiving 数据集和 Tempoal Segmentation Attention 模块来提高动作质量的评估方法。

Apr, 2022

视频分类中，通过研究视频的压缩比特流来代替传统方法中涉及视频解压缩的特征提取，以提高分类性能和处理速度。通过验证自定义数据集，结果表明该方法在精度、准确率和召回率方面都超过 80%，而且处理速度是真实时间的 15000 倍，比传统的动态时间规整算法效果好六个数量级。

Sep, 2023

本文综述了针对运动分析的视频动作识别方法，介绍了超过十种不同的运动类型，包括个人运动和团队运动。对现有的分析框架进行比较并总结了团队运动和个人运动领域的最新视频动作识别技术。同时，讨论了该领域的挑战和未解决的问题，并开发了一个工具箱，基于 PaddlePaddle 平台，实现了对足球、篮球、乒乓球和花样滑冰的动作识别。

Jun, 2022

该研究提出了一种基于连续时间嵌入的无监督学习方法，通过鉴别视觉序列中课程的聚类段以实现发现非结构化视频中的动作。该方法被评估在三个数据集上，可以适用于未知情景下的视觉内容分析

Apr, 2019

本文介绍了一种轻量级的 “剪辑采样” 模型，可在长视频中高效识别最显著的时间片段，将行动识别的计算成本显著降低，同时提高识别准确性。

Apr, 2019

我们通过经济实用的单个固定顶视摄像机，在连续追踪拳击手的过程中，利用改进的算法进行过渡检测和持续的运动员识别，从而在精确分割录制视频流中的拳击回合边界以及不同时间段或同一回合内重新识别同一拳击手的困难中取得了进展，并且在我们自定义采集的约 11 小时数据中，过渡检测算法精度达到 90%，持续追踪的识别错误次数为 0。

Aug, 2023

通过对深度学习在网球行为分类中的应用进行研究，本文探讨了其潜力和挑战。我们使用三种不同规模的基于深度学习架构 SlowFast 的模型对学术网球数据集 THETIS 进行训练和评估。最佳模型的泛化准确率达到了 74%，为网球行为分类的良好性能提供了证明。我们提供了最佳模型的错误分析，并指出了改进网球数据集的方向，讨论了数据集的限制、当前公开网球数据集的一般限制以及未来的进展方向。

Feb, 2024