MonoTrack: 从单目羽毛球视频重建运动轨迹
提出了一种简单的方法来进行羽毛球场上的多目标追踪,利用两台即插即用摄像机,一台位于场地顶部,一台位于场地侧面。利用顶部摄像机追踪选手的轨迹,而侧面摄像机分析选手的像素特征。通过计算相邻帧之间的相关性并利用两台摄像机的信息,可以实现羽毛球选手的多目标追踪,解决了场上选手遮挡和重叠的挑战,提供了选手轨迹跟踪和多角度分析。该系统揭示了羽毛球选手的位置和动作,可作为教练或自我训练工具,帮助羽毛球选手提高比赛策略。
Aug, 2023
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
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
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
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
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
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
本文介绍了一种基于神经网络的方法,用于从 2D 视频片段到 3D 坐标的跟踪和重构棒球投球轨迹。该方法利用 OpenCV 的 CSRT 算法准确跟踪 2D 视频帧中的棒球和固定参考点,然后使用跟踪的像素坐标作为我们的神经网络模型的输入特征,将 2D 坐标映射到 3D 空间,通过使用平方均误差损失函数和 Adam 优化器对模型进行训练,最小化预测误差。实验结果表明,该方法从 2D 输入中精确重构 3D 轨迹,展现了在体育分析、训练以及提高各类运动轨迹预测准确性方面的巨大潜力。
May, 2024
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