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

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

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

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

通过改进可穿戴设备对乒乓球运动的识别和分析，本文实现了对乒乓球运动员运动技能的模式识别和评估，采用特征工程构建运动特征，在维度降低后为不同模型识别鉴定运动技能，结果表明，相较于传统的卷积神经网络，本文提出的基于特征的 BP 神经网络在乒乓球运动员运动技能识别中具有更高的识别准确性和更强的泛化能力。

Sep, 2023

通过模拟不同视角下的羽毛球回球并设计态势、动作和训练过程，实现了一个模拟器，可用于模拟过去的比赛进行战术研究，也可用于研究人员快速评估其新算法。

Nov, 2022

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

通过使用惯性测量单元采集参与少年网球运动员的运动数据，使用支持向量机算法对数据进行处理，本研究通过将网球运动员的技能水平划分为初学者或中级水平，以及基于收集的运动数据对网球挥拍动作划分为五个阶段，成功展示了 SVM 分类方法可作为发展平等且易于接近的基于 AI 的网球训练系统的可靠基础。

Jun, 2024