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

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

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

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

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

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

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