本文介绍了一种用于分析羽毛球比赛表现的深度学习模型，该模型通过一个新颖的短期提取器和长期编码器，以预测比赛结果为目标，将一场羽毛球比赛的每一个击球过程进行描述，并应用了注意力机制，使羽毛球专家能够解释预测结果，实验结果表明该模型胜过强基线结果。

Sep, 2021

本文介绍了一种从单目球拍运动视频中提取和分割三维羽毛球轨迹的完整端到端系统，该系统整合了羽毛球领域知识和基于视觉特征的模型改进，通过改进模型，提高了场地识别、2D轨迹估计和击球识别的性能。

Apr, 2022

本文介绍了一种基于PM图和互动风格提取器的动态图和分层融合运动预测模型（DyMF），用于预测运动员的回球类型和动作位置。该模型在运动预测上实证表现优于基于序列和基于图形的方法。

Nov, 2022

本研究提出了一种基于视觉跟踪和深度神经网络的框架，通过控制区域概率图来评估双打比赛中的团队合作表现，并验证了其在实验室中的有效性，可以为比赛提供有价值的位置评估和指导。

May, 2023

本文介绍了ShuttleSet，这是最大的公共羽毛球单打数据集，包含104组，3,685个回合和36,492个记录，手动注释了18个不同类别的击球类型以及相应的击球位置和每个回合中两位选手的位置，并提供了多个基准来说明ShuttleSet用于基于回合的分析的实用性。

Jun, 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

通过分析球员运动学和生物力学，运用先进的神经网络方法，从羽毛球比赛的视频镜头中提取细致洞察，旨在推导出能够提供姿态、技术和肌肉定向改进建议的预测模型，以提高整体性能。

Mar, 2024

提出了一种新的用于模拟羽毛球运动员行为的层次化离线模仿学习模型RallyNet，它能够捕捉决策依赖关系，并通过引入几何布朗运动（GBM）来模拟球员之间的交互，提供了对体育分析的交互模型的理解，验证结果表明RallyNet在模仿球员行为方面优于离线模仿学习方法和现有的逐回合方法，规则化代理得分至少比它们高出16%以上，并且讨论了RallyNet的各种实际应用案例。

Mar, 2024