网球运动员行动数据集用于人类姿势估计

科学领域:

• 运动科学 运动科学 运动科学
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 在体育训练中整合技术对于提高表现至关重要.
• 深度学习的进步显著提高了人类姿势估计能力.
• 现有的数据集可能无法充分覆盖与体育有关的特定运动.

研究的目的:

• 创建一个全面的数据集,用于训练网球中人类姿势估计模型.
• 促进开发人工智能驱动的工具,用于网球运动员的分析和训练.
• 支持体育科学和计算机视觉领域的研究.

主要方法:

• 收集了个人打网球的视频.
• 将视频细分成,并注释关键的网球运动.
• 使用COCO-Annotator进行人类骨关节标签,生成JSON文件.
• 将注释数据与分类图像结合起来,形成最终的数据集.

主要成果:

• 开发了一套新的数据集,其中包含标记的网球动作.
• 数据集包括对前,后,准备位置和服务的注释.
• 该数据集适用于训练和验证像OpenPose这样的深度学习模型.

结论:

• 创建的数据集是网球界和人类姿势估计研究的宝贵资源.
• 这一数据集可以推动体育训练和绩效分析人工智能应用的创新.
• 它为开发更复杂的网球教练和分析工具提供了基础.