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

这篇研究主要研究乒乓球比赛的视频分析，旨在检测和分类运动员微小的动作，并提供给教练和运动员工具来评估他们的比赛表现。

Jan, 2023

本论文提出了一种基于卷积神经网络和注意机制的两流网络方法，用于对乒乓球发球进行分类和检测，其中使用了原始 RGB 数据和 MMPose 工具箱计算的姿势信息，采用后期融合方法进行性能提升，并在 TTStroke-21 数据集上进一步评估，对飞球分类的准确率提高了到 87.3％，而检测结果虽没有超过基准，但仍可达到 0.349 的 IoU 和 0.110 的 mAP。

Feb, 2023

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

通过改进可穿戴设备对乒乓球运动的识别和分析，本文实现了对乒乓球运动员运动技能的模式识别和评估，采用特征工程构建运动特征，在维度降低后为不同模型识别鉴定运动技能，结果表明，相较于传统的卷积神经网络，本文提出的基于特征的 BP 神经网络在乒乓球运动员运动技能识别中具有更高的识别准确性和更强的泛化能力。

Sep, 2023

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

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

利用卷积神经网络（CNN）可以在体育领域中自动检测运动员动作的离散事件，提高了视频分析的精度和效率。

May, 2017

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

为了解决目前手动注释和低层次注释方法在球拍运动视频中对战术理解的限制，我们提出了一个基于视觉数据和上下文洞察力相结合的视频球类运动技巧识别模型 ViSTec。我们的方法通过引入图形来显式建模球拍序列中的战略知识，并通过上下文归纳偏差增强技巧识别。实验证明我们的方法相较于现有模型具有更好的性能。与中国国家乒乓球队的专家的案例研究验证了我们模型自动化分析技术动作和战略策略的能力。

Feb, 2024