羽毛球击打事件检测的新视角
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
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
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
本文提出了一个高效的高尔夫挥杆序列检测系统,使用 1400 个高质量的高尔夫挥杆视频进行建立。SwingNet 是一个轻量级的深度卷积和递归神经网络,能够在平均 76.1% 的速率下正确检测到 8 个高尔夫挥杆事件,是一个未来有潜力运用于实地分析的计算机视觉模型。
Mar, 2019
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
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
通过对深度学习在网球行为分类中的应用进行研究,本文探讨了其潜力和挑战。我们使用三种不同规模的基于深度学习架构 SlowFast 的模型对学术网球数据集 THETIS 进行训练和评估。最佳模型的泛化准确率达到了 74%,为网球行为分类的良好性能提供了证明。我们提供了最佳模型的错误分析,并指出了改进网球数据集的方向,讨论了数据集的限制、当前公开网球数据集的一般限制以及未来的进展方向。
Feb, 2024