Feb, 2023

利用球轨迹数据实现乒乓球拍法检测和识别

PDF
TL;DR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。
table tennisball trajectorystroke recognitionmachine learningdeep learning
发现论文，激发创造
  • 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

  • 媒体评估 2022 年：视频乒乓球运动细粒度动作检测和分类任务

    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

  • 使用双流卷积网络的 RGB 和姿态信息进行细粒度动作检测

    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

  • 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

  • 基于上下文多特征融合的羽毛球识别与跟踪系统

    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

  • 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

  • 基于人工智能的乒乓球运动员运动技能识别与评估系统设计

    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

  • TrackNet：一种用于体育应用中追踪高速小目标的深度学习网络

    本研究通过使用深度学习模型 TrackNet，从模糊、带残影并有时不可见的广播视频中跟踪网球。在 2017 年夏季大学运动会男子单打决赛的视频上，TrackNet 的准确度、召回率和 F1-measure 达到了 99.7％、97.3％和 98.5％。

    Jul, 2019

  • 一种用于羽毛球比赛分析的全深度系统

    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