Jun, 2024

公平网球训练的 AI: 利用 AI 进行公平和准确的网球技能水平和训练阶段分类

PDF
TL;DR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。
tennisskill levelsmotion dataai-based tennis self-training modelsvm-based classification
发现论文，激发创造
  • 运用深度学习对网球动作进行分类

    通过对深度学习在网球行为分类中的应用进行研究，本文探讨了其潜力和挑战。我们使用三种不同规模的基于深度学习架构 SlowFast 的模型对学术网球数据集 THETIS 进行训练和评估。最佳模型的泛化准确率达到了 74%，为网球行为分类的良好性能提供了证明。我们提供了最佳模型的错误分析，并指出了改进网球数据集的方向，讨论了数据集的限制、当前公开网球数据集的一般限制以及未来的进展方向。

    Feb, 2024

  • 基于人工智能的乒乓球运动员运动技能识别与评估系统设计

    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

  • 羽毛球人工智能教练

    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

  • 利用二维人体姿态估计进行乒乓球拍技术识别

    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

  • 捕捉动量：运用机器学习与时间序列理论进行网球比赛分析

    本文分析了网球比赛的势头，并且基于技术统计数据构建了一个系统来预测体育比赛结果和分析选手的表现。使用隐马尔可夫模型预测势头，使用 Xgboost 验证其重要性，最后使用 LightGBM 评估模型性能，并利用 SHAP 特征重要性排名和权重分析找出影响选手表现的关键因素。

    Apr, 2024

  • 基于无模型强化学习的乒乓球机器人

    通过控制机器人关节以 100Hz 的速度返回乒乓球，我们提出了一种模型无关的算法，并证明了进化搜索方法能够在非视觉输入和时间之间卷积的基础上作用于基于 CNN 的策略体系结构，学习紧凑的控制器，在适当调整任务和奖励的情况下，策略能够发展多模态样式，同时在广泛的球类投掷范围内实现 80％的回球率，观察到多模性不需要任何建筑先验知识。

    Mar, 2020

  • 运用可解释模型预测排球比赛结果的案例研究

    本文探讨了一种两阶段的可解释的人工智能方法，用于预测巴西排球联赛中比赛的结果。该方法使用支持向量机和深度神经网络来获得预测性能，并使用 ProtoDash 和 SHAP 构建数据实例的后处理解释说明模型的预测。结果表明，模型预测的解释有效。

    Jun, 2022

  • 利用球轨迹数据实现乒乓球拍法检测和识别

    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

  • 黑盒与灰盒：学习乒乓球旋转和碰撞下的球轨迹预测案例研究

    本研究提出了一种基于物理模型的乒乓球弹道过滤和预测方法，首次将数据与物理先验知识相结合，通过神经网络推断球的初始条件，采用比黑盒模型更准确的方法预测球的运动轨迹，并在评估机械手臂的实际返回表现时取得了高达 97.7% 的成功率。

    May, 2023

  • 使用集合变换器和分层双向长短时记忆网络从多智能体运动环境中推断球轨迹

    该论文提出了一种基于 Set Transformer 和层次结构的推理框架，用于通过球员轨迹推断足球的轨迹，实现了自然且准确的轨迹预测，并提出了几种实用的应用包括缺失轨迹计算与自动放映。

    Jun, 2023