我们提出了一个神经网络 TTNet，旨在实时处理高分辨率的乒乓球视频，提供时间（事件检测）和空间（球检测和语义分割）数据，从而为自动裁判系统提供核心信息，同时我们发布了一个多任务数据集 OpenTTGames 以评估多任务方法，主要针对快速事件的检测和小物体跟踪，并在所呈现的数据集的测试部分展示了 97.0％的游戏事件检测的准确性，以及 2 像素 RMSE 的球检测准确性，并在单个消费级 GPU 的机器上实现每个输入张量不到 6 毫秒的推理时间，为实时多任务深度学习应用程序的发展做出贡献，并提供了一个潜在能够替代体育运动员的手动数据收集的方法，为裁判员的决策提供支持，并收集有关游戏过程的额外信息。

Apr, 2020

该研究提出了 TrackingNet 数据集，为在野外进行物体跟踪提供了第一个大规模数据集和基准，并评估了 20 多个追踪器模型，结果表明，在野外物体跟踪仍然远未解决。

Mar, 2018

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

本文提出了一种基于深度学习的物体检测器，专门用于长距离拍摄视频的球检测。由于其完全卷积的设计，该方法可以处理任何尺寸的图像，并生成编码检测到的球位置的 “球置信图”。该网络使用超列概念，将来自深度卷积网络不同层次的特征图组合并共同馈送卷积分类层。这允许在考虑感兴趣对象周围更大的视觉上下文时提高检测精度。当在公开可用的 ISSIA-CNR 足球数据集上进行测试时，该方法取得了最先进的结果。

Feb, 2019

本文介绍了一种名为 FootAndBall 的基于深度神经网络的检测器，它可以有效地检测高清、远距离的足球比赛视频中的足球和球员，并且可以以任意分辨率处理输入视频流，由于其专业设计，比通用深度神经网络物体检测器（如 SSD 或 YOLO）少两个数量级的参数，因此可以实时处理高分辨率的输入视频流。

Dec, 2019

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

CoachAI Badminton 2023 Track1 项目旨在自动检测羽毛球比赛视频中的事件，特别是对羽毛球的检测具有重要性和高精度的要求，然而，尽管我们对著名的 shuttlecock 检测模型 TrackNet 进行了修改，但我们的目标检测模型仍然没有达到所期望的准确度，为解决这个问题，我们实现了多种深度学习方法来应对因噪声数据而出现的问题，并利用多样的数据类型来提高精度，本报告详细介绍了我们对检测模型进行的修改以及处理 11 个任务的方法，值得一提的是，我们的系统在挑战中获得了 0.78 的分数（满分为 1.0）。

Aug, 2023

本研究使用深度学习模型 MobileNet 和 YOLO 对板球广播中的球传递进行分割，以产生用于研究的数据集。该方法通过运用目标检测模型从视频镜头中准确提取出球传递，从而使板球教练和球员能够对比赛中的球传递进行分析和了解。同时，该研究提出了建立大型数据集的思路，为提取语义信息铺平了道路。

Nov, 2022

本文介绍了一种用于检测和跟踪羽毛球的方法，该方法通过特性判断和结合背景信息解决羽毛球不易检测的挑战，并且能够达到 100% 的准确度和 84.1% 的 F1 平均值。

Jun, 2023

提出了一种离线预训练神经网络的方法，可使跟踪速度高达 100 fps，而不需要在线训练，用于跟踪不出现在训练集中的新颖对象

Apr, 2016