本文综述了针对运动分析的视频动作识别方法，介绍了超过十种不同的运动类型，包括个人运动和团队运动。对现有的分析框架进行比较并总结了团队运动和个人运动领域的最新视频动作识别技术。同时，讨论了该领域的挑战和未解决的问题，并开发了一个工具箱，基于 PaddlePaddle 平台，实现了对足球、篮球、乒乓球和花样滑冰的动作识别。

Jun, 2022

本文介绍了一种收集乒乓视频数据并进行击球检测和分类的新方法，使用 2D 姿势估计开发的时空卷积神经网络模型能够对这 11 种乒乓球击球进行多分类，以提高运动员的性能。

Apr, 2021

该论文提出了一种通过深度神经网络对运动员的动作进行分类来生成运动视频摘要的方法，并采用日本剑术 Kendo 作为例子进行了评估，结果表明该方法优于之前的摘要方法。

Sep, 2017

本研究通过对不同场景下内容结构研究所提供的深刻解释，从内容感知的角度，对广播体育的内容感知系统的相关主题进行了总结，重点关注了过去十年在体育节目中应用的视频内容分析技术以及针对对象、事件和上下文的分析方法，旨在确定用户需求。最后，本文总结了广播体育视频分析的未来趋势与挑战。

Mar, 2017

这篇研究主要研究乒乓球比赛的视频分析，旨在检测和分类运动员微小的动作，并提供给教练和运动员工具来评估他们的比赛表现。

Jan, 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

提出了一种名为 “Streaming Vision Transformer” 的流式视频架构，利用具有内存功能的时间感知空间编码器产生帧级特征，供基于帧的视频任务使用；然后将帧级特征输入到与任务相关的时间解码器中，获得用于序列化任务的时空特征，该模型在行动识别任务中具有最先进的准确度，并在基于帧的多目标跟踪任务中具有竞争优势。

Mar, 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

通过引入细粒度的自然语言中的时间概念的分类，利用反事实视频描述来解开静态和时间信息之间的相关性，并评估典型的视频语言理解模型，揭示了对于视频语言研究中时间元素的更大重视的需求。

Nov, 2023

本文针对草地网球赛的广播录像，利用从互联网上获得的人类创造的描述生成丰富的语义描述，形似于体育网站上专家人类写的文本评论，经测试能提供准确性和可读性。

Nov, 2015