- OSL-ActionSpotting: 运动视频中行动检测的统一库
介绍了 OSL-ActionSpotting，一个 Python 库，将不同的动作检测算法统一起来，为体育视频分析的研究和应用提供了标准化的过程，通过桥接不同的动作检测技术，提高了体育视频分析的能力和研究合作机会，并确保库在未来技术进步中的 - 体育领域的语言和多模态模型：数据集和应用调查
综述了自 2020 年以来推动这些创新的数据集和应用程序，对数据集进行了概述和分类，包括基于语言、多模态和可转换的数据集，强调了数据集对改善体育迷体验、支持战术分析和医学诊断等各种应用的贡献，并讨论了数据集开发的挑战和未来方向。该综述为希望 - 广义球衣号码识别：基于多任务学习与方向引导权重细化
基于对身体方向角和数码信号的联合处理，本研究提出了一种名为角度 - 数码优化方案（ADRS）的多任务学习方法，用于识别运动员球衣上的号码，有效提高了预测准确性。通过将各类团队运动如足球、橄榄球、篮球、排球和棒球纳入数据集，使得该方法在体育分 - 体育摄像机标定的通用基准协议
相机校准在体育分析领域中是一个至关重要的组成部分，它作为从广播图像中提取 3D 信息的基础。然而，目前的基准标准阻碍了相机校准研究的进展。为了克服这些限制，我们设计了一个名为 ProCC 的新基准协议，并通过对世界杯 2014、CARWC - 贝叶斯紧张样条估计模数
本研究提出了一种基于核估计器和简捷组成样条的方法，通过贝叶斯推理范式实现特征探索、模型选择和模态测试，从而提高概率密度函数的预测精度与模型解释性，在体育分析等领域得到展示，并得到了充分的模拟实验验证。
- 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。
- KDDShuttleSet：用于羽毛球战术分析的人工标注单击层次数据集
本文介绍了 ShuttleSet，这是最大的公共羽毛球单打数据集，包含 104 组，3,685 个回合和 36,492 个记录，手动注释了 18 个不同类别的击球类型以及相应的击球位置和每个回合中两位选手的位置，并提供了多个基准来说明 Sh - AAAI羽毛球运动员下一步将移动到哪里？基于动态图和分层融合的运动预测
本文介绍了一种基于 PM 图和互动风格提取器的动态图和分层融合运动预测模型（DyMF），用于预测运动员的回球类型和动作位置。该模型在运动预测上实证表现优于基于序列和基于图形的方法。
- 体育视频动作识别调查：数据集、方法和应用
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 - 利用计算机视觉检测关键足球比赛事件以创建精华片段
本文利用 Faster RCNN 和 YoloV5 模型基于计算机视觉技术，对足球比赛视频进行关键事件检测和精简，结果表明使用 Faster RCNN 模型中的 ResNet50 作为基本模型表现最佳，检测准确率为 95.5%。
- CVPR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。
- KDD破解黑匣子：梳理深入体育分析
研究关注于解决深度学习在运动分析中精度和透明度的权衡问题，并且构建一种基于模型树的简单透明模型，以实现高保真输出、自我解释和为运动员和教练等专家利益相关者提供见解的目标。
- 总是看向场地的亮面：融合姿势和背景数据来估计足球运动员的方向
该研究针对足球运动员的身体定位这一尚未深入探讨的领域，提出了一种新颖的技术，可结合 OpenPose 和超分辨率网络等技术从单目视频录像中获取球员身体定向，进而生成可视化的定向数据，替补了目前定位方面的空白。
- KDD运用深度学习对篮球轨迹进行分析
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。