使用视频来分析棒球投手在策略和预防伤害方面起着至关重要的作用。基于计算机视觉的姿势分析提供了一种高效和经济的方法。然而，使用 30fps 帧速率的可访问广播视频通常在快速动作中导致部分身体运动模糊，限制了现有姿势关键点估计模型的性能。本文提出了一种合成数据增强流程，以增强模型处理模糊动作的能力。此外，我们利用野外视频使我们的模型能够在不同的真实环境条件和摄像机位置下保持稳健。通过精心优化增强参数，我们观察到在 2D 和 3D 姿势估计的测试数据集上损失分别减少了 54.2% 和 36.2%。通过将我们的方法应用于现有最先进的姿势估计器，我们展示了平均改进了 29.2%。研究结果突出了我们的方法在减轻运动模糊带来的挑战方面的有效性，从而提高了姿势估计的整体质量。

Sep, 2023

本文介绍了一种基于神经网络的方法，用于从 2D 视频片段到 3D 坐标的跟踪和重构棒球投球轨迹。该方法利用 OpenCV 的 CSRT 算法准确跟踪 2D 视频帧中的棒球和固定参考点，然后使用跟踪的像素坐标作为我们的神经网络模型的输入特征，将 2D 坐标映射到 3D 空间，通过使用平方均误差损失函数和 Adam 优化器对模型进行训练，最小化预测误差。实验结果表明，该方法从 2D 输入中精确重构 3D 轨迹，展现了在体育分析、训练以及提高各类运动轨迹预测准确性方面的巨大潜力。

May, 2024

本研究旨在探讨如何利用卷积神经网络基于视频数据实现对 MLB 投手的受伤检测和预测，并实验评价该模型在不同投手、不同受伤类型、以及受伤预测时间等方面的性能表现。

Apr, 2019

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

提供了用于训练和评估的 YOLO 归一化注释格式的 SoccerNet v3 数据集的编辑部分，该数据集在长距离实时检测足球场上的球和球员方面证明了 YOLO8n 模型优于 FootAndBall。

Nov, 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

本研究通过使用深度学习模型 TrackNet，从模糊、带残影并有时不可见的广播视频中跟踪网球。在 2017 年夏季大学运动会男子单打决赛的视频上，TrackNet 的准确度、召回率和 F1-measure 达到了 99.7％、97.3％和 98.5％。

Jul, 2019

SoccerNet-v2 提出了一个大规模手动注释的语料库，其中包含大约 300k 个注释，用于扩展足球领域中的任务，以推动计算机视觉更接近于针对更广泛视频理解和制作目的的自动解决方案。

Nov, 2020

运用递归神经网络模型预测三分球成功率的研究表明，深度学习模型相对于以特征工程为主的传统机器学习方法在运用职业篮球比赛数据进行预测时表现更加优秀。

Aug, 2016

该研究聚焦于足球广播视频的摄像头校准和现有科学社区的限制，并通过深度学习技术和大规模数据集的发布来提高现有体育动作捕捉算法的性能。

Apr, 2021