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

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

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

本研究提出了一种基于全局轨迹布局及卷积网络预测与卡尔曼滤波融合的方法，重点解决自主微型飞行器的难以精确的导航、环境不确定以及姿态估计误差等问题，成功应用于 IROS2018 无人机比赛中并取得优异成绩。

Oct, 2018

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

在本篇论文中，我们提出了一个可用于多物体跟踪的新型数据集，其包含 200 个 30 秒的序列和一个完整的 45 分钟半场，用于跟踪足球视频中的球员、裁判和球，该数据集带有边界框和跟踪 ID 的完整注释，并能够训练足球领域 MOT 基线并对这些方法进行全面基准测试，结果表明足球视频中的多人、裁判和球跟踪问题还有待改善。

Apr, 2022

本研究提出了一种快速而准确的运动员追踪解决方案，通过结合几个模型以在相对较小的硬件上并行执行来追踪运动员，最终能够在高清视频上以 80 fps 的速度处理，可以达到一定的准确率。

Mar, 2020

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