桌上足球
利用机器学习和三维物体检测技术，本文研究并实现了一种足球检测系统，通过多个摄像头实时探测球的三维位置，实现了高精度、实时的球赛直播。该系统还具有很强的可复用性，可用于类似的大规模比赛场景中。
Jan, 2023
该研究聚焦于足球广播视频的摄像头校准和现有科学社区的限制，并通过深度学习技术和大规模数据集的发布来提高现有体育动作捕捉算法的性能。
Apr, 2021
通过引入 3D Shot Posture (3DSP) 数据集、3DSP-GRAE 模型以及 AutoSoccerPose 流程，本研究解决了计算机视觉中的图像理解问题，并在足球姿势分析领域取得了显著进展。
May, 2024
提供了用于训练和评估的 YOLO 归一化注释格式的 SoccerNet v3 数据集的编辑部分，该数据集在长距离实时检测足球场上的球和球员方面证明了 YOLO8n 模型优于 FootAndBall。
Nov, 2023
在本篇论文中，我们提出了一个可用于多物体跟踪的新型数据集，其包含 200 个 30 秒的序列和一个完整的 45 分钟半场，用于跟踪足球视频中的球员、裁判和球，该数据集带有边界框和跟踪 ID 的完整注释，并能够训练足球领域 MOT 基线并对这些方法进行全面基准测试，结果表明足球视频中的多人、裁判和球跟踪问题还有待改善。
Apr, 2022
本文介绍了我们对 SoccerNet 2023 跟踪挑战的解决方案，分别处理球员追踪和球的追踪任务。我们使用了最先进的在线多目标追踪器和现代目标检测器进行球员追踪。为了克服在线方法的局限性，我们引入插值和无外观的轨迹合并进行后处理。此外，我们还使用基于外观的轨迹合并技术处理远离图像边界的轨迹的终止和创建。球的追踪被形式化为单个目标检测，借助经过微调的 YOLOv8l 检测器和专有的过滤器来提高检测精度。我们的方法在 SoccerNet 2023 跟踪挑战中获得了第三名，HOTA 得分为 66.27。
Aug, 2023
本研究首次提出了一种基于虚拟现实和增强现实平台的运动比赛分析和实时可视化系统，通过多视角激光雷达和摄像机采集多模态比赛数据，并利用有限的监督数据进行多参与者跟踪和姿势估计，提取准确的球员位置和运动信息，进一步进行球员三维建模并在虚拟现实和增强现实环境中实现运动比赛的分析和实时可视化。经过大量定量实验证明了我们多参与者跟踪和姿势估计框架的准确性和鲁棒性，同时展示了我们的运动可视化系统在虚拟现实和增强现实设备上观赛领域具备的巨大潜力。
May, 2024
提出了一种完全卷积神经网络架构，可估计来自高频时空数据的足球可能传递的全概率面，能够适应于多种实际足球问题，如风险评估、应用可能的传递选项等。
Oct, 2020
我们的研究引入了一种创新的深度学习方法，用于预测足球犯规。该方法通过构建一个新颖的足球犯规数据集，将视频数据、边界框位置、图像细节和姿势信息相结合，利用卷积和循环神经网络 (CNNs 和 RNNs) 从这四个模态中有效地融合信息。实验结果表明我们的完整模型优于其他模型，所有的 RNN 模块、边界框位置、图像和估计的姿势在犯规预测中都有用。我们的研究结果对于更深入地理解足球比赛中的犯规行为具有重要意义，并为该领域的未来研究和实践提供了有价值的参考。
Feb, 2024