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

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

本研究提出了一种将多目标跟踪问题转化为双边图匹配的新方法，通过将球员的足部关节点映射到顶视冰场模板，并将这些投影位置编码到图网络中，实现对遮挡和重叠球员的可靠空间上下文，从而提高了广播冰球数据集中的 IDsw 和 IDF1 指标。

May, 2024

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

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

本研究提出了一种通过生成个性化运动指南来提高羽毛球球员击球质量的框架，利用多模态可穿戴数据集。这些指南基于反事实算法，旨在减小初学者与专家之间的表现差距。我们的方法通过可视化数据提供关节级别的指导，以帮助球员改善动作，而无需专家知识。通过度量指标对该方法与传统算法进行了评估，包括算术度量和动作特定度量，以评估其有效性、接近性和合理性。我们的评估表明，所提出的框架能够生成保持原始动作精髓的动作，同时提高击球质量，相较于直接复制专家动作，提供更贴近的指导。结果凸显了我们的方法在通过为羽毛球击球的任意输入样本生成反事实运动指导的个性化体育运动指南方面的潜力。

May, 2024