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

介绍了一种新的用于击球预测的模型 ——ShuttleNet，该模型结合了比赛进展和运动员风格方面的信息，利用数据融合的方法提高击球预测的准确性，并在羽毛球数据集上取得了比较好的结果。

Dec, 2021

本研究旨在通过运用现代深度学习技术，自动从比赛视频中系统地检测羽毛球比赛中的击打帧，以提高运动员和教练员的表现评估能力，并进一步利用包含在击打帧中的数据来合成运动员的击球和场上运动，以及进行其他下游应用，如分析训练任务和竞争策略等。

Jul, 2023

研究探讨了代理人预测系统，以探索代理人模式并提高在各个领域中的决策制定，诸如行人预测和营销竞标。羽毛球是一个多方面的回合制运动的迷人示例，既需要复杂的战术发展又需要依赖决策。深度学习中的最近方法在羽毛球球员战术预测方面显示出有希望的性能，这部分归功于对球员交互的有效推理。然而，一个关键障碍在于黑盒模型通过学习哪些特征来模拟球员行为的功能不清楚，现有的解释器不具备回合制和多输出的归因能力。为了弥补这一差距，我们提出了一种基于 Shapley 值变体的羽毛球回合制特征归因方法 ——ShuttleSHAP，用于分析羽毛球中的预测模型。ShuttleSHAP 是一个模型无关的解释器，旨在量化时间和球员方面的贡献，以多方面线索为基础。将所提出的分析工具与基准数据集上的最先进的回合制预测模型相结合，揭示了关于过去击球推理的事实上的无关性，而传统的顺序模型有更大的影响。相反，球员的风格对未来模拟比赛产生了影响。除此之外，我们还调查和讨论了这些发现的因果分析，并通过本地分析展示了实用性。

Dec, 2023

本研究提出了一种基于深度学习模型 SwingNet 和视频处理技术来识别羽毛球击打事件的方法，该方法不仅提供了一种直观和用户友好的方法，还为检测羽毛球击打事件带来了崭新的视角。

Jun, 2023

通过利用过去的击球，本研究旨在提高现有框架 ShuttleNet 在预测羽毛球击球类型和位置方面的性能。我们参加了 IJCAI 2023 的 CoachAI 羽毛球挑战赛，并取得了与基准相比显著更好的结果。最终，我们的团队在比赛中获得了第一名，并提供了我们的代码。

Jul, 2023

本研究提供一份从 2022 年高排名比赛中收集的羽毛球单打数据集 ShuttleSet22，用于改进和研究羽毛球选手表现，并提供基准测试数据以预测未来的羽毛球击球。

Jun, 2023

本文分析了网球比赛的势头，并且基于技术统计数据构建了一个系统来预测体育比赛结果和分析选手的表现。使用隐马尔可夫模型预测势头，使用 Xgboost 验证其重要性，最后使用 LightGBM 评估模型性能，并利用 SHAP 特征重要性排名和权重分析找出影响选手表现的关键因素。

Apr, 2024

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

我们提出了一个用于解析羽毛球比赛直播录像中球员移动的端到端框架，通过使用可视化输入和仅使用视觉线索来计算球员在球场上所走的距离，通过移除重播和冗余部分，我们聚焦于比赛过程，并对每一帧进行球员追踪，最后计算每位球员的移动距离和平均速度，同时为球场上球员的区域绘制热力图，以分析比赛过程。

Aug, 2023