Dec, 2019

SPIN: 一个高速、高分辨率的乒乓球运动跟踪和动作识别视觉数据集

PDF
TL;DR我们介绍了一个新的高分辨率、高帧率的立体视频数据集 SPIN，用于跟踪和动作识别，在乒乓球比赛中进行。数据集包括 53 小时的训练数据和 1 小时的测试数据，并针对该数据集介绍了几个基准模型。该数据集可以用于机器学习和视觉任务的许多领域，如跟踪、姿态估计、半监督和无监督学习以及生成建模。
发现论文，激发创造
  • 使用事件相机进行乒乓球旋转估计

    使用事件摄像机利用光流从提取的事件中推断球的自旋，在实时环境中实现飞行球的自旋估计，平均自旋幅度误差为 10.7±17.3 rps，自旋轴平均误差为 32.9±38.2°。

    Apr, 2024

  • VideoBadminton：一个用于羽毛球动作识别的视频数据集

    通过对高质量羽毛球镜头的全面评估，本研究旨在推进动作识别领域，尤其是在羽毛球运动中。引入 VideoBadminton 数据集不仅可以用于羽毛球动作识别，还可以提供一个识别细粒度动作的数据集。从这些评估中获得的见解有望催生更多在运动背景下的动作理解研究。

    Mar, 2024

  • 多模态乒乓球机器人系统

    基于高准确度视觉检测和快速机器人反应的改进型乒乓球机器人系统，通过多模态感知系统的创新校准方法实现了对旋转估计至关重要的精确度更高的旋转估计方法，并展示了结合基于事件的摄像头和脉冲神经网络（SNN）输出进行准确球检测的方法。

    Oct, 2023

  • 利用二维人体姿态估计进行乒乓球拍技术识别

    本文介绍了一种收集乒乓视频数据并进行击球检测和分类的新方法，使用 2D 姿势估计开发的时空卷积神经网络模型能够对这 11 种乒乓球击球进行多分类，以提高运动员的性能。

    Apr, 2021

  • 利用球轨迹数据实现乒乓球拍法检测和识别

    本文利用球的轨迹，仅仅使用单个摄像头记录了四名职业乒乓球选手执行的六种不同类别的打法，通过 YOLOv4 和 TrackNetv2 等深度学习算法，研究了在乒乓球场上捕捉和识别击球动作的新方法。

    Feb, 2023

  • 三流 3D/1D CNN 在乒乓球细粒度动作分类和分割中的应用

    该研究提出了一种基于三流网络的多模态融合方法，用于细粒度体育动作分类，其中包括原始 RGB 数据、计算的光流和估计的运动员姿态，应用于 TTStroke-21 数据集，比以前的方法收敛更快，在分类已知时间边界的运动和关节分割和分类方面表现更好。

    Sep, 2021

  • 黑盒与灰盒：学习乒乓球旋转和碰撞下的球轨迹预测案例研究

    本研究提出了一种基于物理模型的乒乓球弹道过滤和预测方法，首次将数据与物理先验知识相结合，通过神经网络推断球的初始条件，采用比黑盒模型更准确的方法预测球的运动轨迹，并在评估机械手臂的实际返回表现时取得了高达 97.7% 的成功率。

    May, 2023

  • TTNet：乒乓球实时时空视频分析

    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

  • SPIN: 航天器图像导航

    通过 SPIN 工具进行了太空航天影像生成，用于改进空间操作、可视化导航和姿态估计数据集，并展示了相对于现有综合数据集的平均错误率减少 50% 的结果。

    Jun, 2024

  • MultiSports：一个时空定位的多人体育动作视频数据集

    本文介绍了一个新的多人数据集 MultiSports，用于检测时空定位的体育动作，提供了一组细致的标注，以便作为未来时空动作检测的标准基准。

    May, 2021