利用 Transformer 进行羽毛球击中区域检测中的飞行方向预测
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
本研究提出了一种基于深度学习模型 SwingNet 和视频处理技术来识别羽毛球击打事件的方法,该方法不仅提供了一种直观和用户友好的方法,还为检测羽毛球击打事件带来了崭新的视角。
Jun, 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
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
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
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
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