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

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

本研究利用MuLMINet多层多输入变压器网络来预测未来拍击类型和区域坐标，从而在社区研究领域做出贡献。

Jul, 2023

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

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

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