我们介绍了一个针对竞技体育视频特定的运动动作识别数据集(FSD-10)，并在其中使用了一种关键帧(KTSN)分割网络方法。实验结果表明，这个数据集是衡量运动动作识别算法性能的理想基准，可以促进更健壮、先进的行动识别模型的发展。

Feb, 2020

本研究基于体操比赛视频开发了FineGym数据集，提供了具有三层语义层次的动作和子动作的时间标注，挑战了运动分析中的行为识别和区分问题。

Apr, 2020

本研究旨在解决在个人运动员记录中检测运动事件的问题，通过使用2D人体姿势序列作为中间表示，并结合领域自适应的运动员追踪，提出了两种事件检测方法，在游泳和田径领域进行了评估，从而实现了灵活的基于姿势的运动事件检测。

Apr, 2020

该研究开发了一种混合动态-静态上下文感知关注网络（ACTION-NET）,以供评估运动视频的动作质量，并提出了一个上下文感知关注模块,可以提取更加强健的流特征，其中静态特征代表特定时刻的动作质量。此外，研究者收集和注释了新的韵律体操数据集，以供评估长视频的动作质量评估。

Aug, 2020

本论文提出了一种名为SportsCap的方法，利用数据驱动的多任务方式，从单眼挑战性运动视频中同时捕获3D人体运动和理解细粒度动作，并使用多流空间-时间图卷积网络预测细粒度语义动作属性，从而具有分析运动和评分的各种应用。

Apr, 2021

本文提出考虑比赛运动的高层语义和内部时间结构是提高预测准确性和可解释性的关键，并根据FineDiving数据集和Tempoal Segmentation Attention模块来提高动作质量的评估方法。

Apr, 2022

通过提出新的AGF-Olympics数据集和引入一种能适用于长期视频序列的注意力模块，我们可以更准确地评估运动员的运动能力表现。

Jan, 2023

SportsPose是一个大规模的姿态数据集，包括高度动态的运动。使用超过176,000个来自24名不同受试者的5种运动活动的3D姿势，SportsPose提供了一组反映了运动复杂和动态性的多样化和全面的3D姿势。数据集伴随代码，可以从我们的网站上下载，希望SportsPose可用于开发和评估更有效的运动表现分析和损伤预防模型。

Apr, 2023

提出了一个多模态和多任务的花样滑冰数据集（MMFS），其中包含了动作识别和动作质量评估，收集了来自世界花样滑冰锦标赛的11671个视频片段，包含256个类别，包括空间和时间标签。

Jul, 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