amathislab/SHOT7M2

SHOT7M2数据集是一个合成的、层次化的、组合式的篮球行为数据集，包含720万帧，展示了篮球行为中的层次组织。数据集基于Starke等人的动画模型，使用神经状态机来预测未来的角色姿态。数据集包含4000个片段，每个片段有1800帧，每个片段由一个代理执行各种篮球动作。每个片段由四种活动之一表征：休闲比赛、激烈比赛、运球训练、不比赛。数据集包含26个关键点的人体骨骼姿态和4种活动、12种动作、14种基本动作的组合行为。The Shot7M2 dataset is a synthetic, hierarchical, and compositional basketball dataset, consisting of 7.2 million frames designed to showcase hierarchical organization within basketball behaviors. Based on the animation models by Starke et al., it uses a Neural State Machine composed of a Motion Prediction Network and a Gating Network to predict future character poses. The dataset comprises 4000 episodes, each containing 1800 frames, where a single agent performs various basketball actions. Each episode is characterized by one of the four following Activities: Casual play, Intense play, Dribbling training, Not playing. The dataset contains poses from 26 keypoints on a humanoid skeleton and compositional behaviors from 4 Activities with 12 Actions and comprising 14 Movemes. The data format includes train and test folders with 3D poses and behavior annotation data in .npy format.

原始信息汇总

SHOT7M2 数据集

概述

• 名称: SHOT7M2
• 类型: 合成、层次化和组合的篮球数据集
• 帧数: 720万帧
• 内容: 展示篮球行为中的层次结构
• 生成方法: 基于Starke等人的动画模型，使用神经状态机（包括运动预测网络和门控网络）生成未来角色姿态
• 数据结构: 包含4000个片段，每个片段包含1800帧，单个代理执行各种篮球动作
• 活动类型: 4种活动（休闲比赛、激烈比赛、运球训练、不比赛）
• 动作类型: 12种动作
• 骨骼点: 26个关键点
• 组合行为: 14种Movemes

数据格式

• 文件格式: .npy
• 数据分割: 训练集和测试集，比例为32/68
• 内容: 3D姿态和行为注释数据
• 测试集: 包含benchmark_labels.npy，用于基准测试
• 读取方法: 使用Python脚本读取.npy文件

搜集汇总

数据集介绍

构建方式

基于Starke等人的动画模型，本研究团队采用了一种名为Neural State Machine的方法构建了SHOT7M2数据集。该方法融合了运动预测网络和门控网络，能够根据当前姿态、控制命令集合、目标位置、环境几何结构以及一组动作来预测未来的人物姿态。门控网络通过混合专家的策略调整运动预测网络的权重，确保不同动作之间的平滑过渡。该数据集包含4000个剧集，每个剧集由1800帧组成，展示了单个代理在不同篮球活动中的多样化行为。

使用方法

数据集被划分为训练集和测试集，比例为32/68。每个文件夹中均包含以`.npy`格式存储的3D姿态和行为注释数据。在测试集中，`benchmark_labels.npy`文件包含了用于基准测试的行为注释数据。用户可以通过Python脚本中的numpy库来读取`.npy`文件，并使用allow_pickle参数来确保正确加载数据。

背景与挑战

背景概述

在篮球运动行为分析领域，SHOT7M2数据集的诞生标志着合成数据在运动科学研究中的重大进展。该数据集由amathislab团队于近年推出，基于Starke等人开发的动画模型，利用神经状态机生成，旨在展现篮球行为中的层次组织结构。包含720万帧图像的SHOT7M2，由4000个剧集组成，每个剧集包含1800帧，展现了单个代理在不同篮球活动中的多样化行为。此数据集为研究提供了26个人体骨骼关键点的姿态数据，以及四种活动类型、十二种动作和十四种运动学组成的复合行为，对篮球运动行为的分析研究产生了深远影响。

当前挑战

尽管SHOT7M2数据集为篮球行为分析领域提供了丰富的资源，研究者在利用该数据集时仍面临诸多挑战。首先，如何精确地利用数据集进行动作分割，区分不同层次的行为，是当前研究的一大难点。其次，数据集构建过程中的合成性质可能导致与现实运动行为的偏差，这对模型的泛化能力提出了挑战。此外，数据标注的准确性以及如何高效地从3D姿态数据中提取有效信息，也是研究过程中必须克服的问题。

常用场景

经典使用场景

在篮球行为分析领域，SHOT7M2数据集以其独特的合成性、层次性及组合性行为特征，成为研究篮球运动中动作分割、行为识别等任务的重要资源。该数据集通过模拟生成的720万帧画面，精确展现了篮球运动中的行为层级结构，为研究者的模型训练与验证提供了丰富的素材。

解决学术问题

SHOT7M2数据集解决了传统篮球行为分析中数据不足、行为复杂难以建模等问题。通过提供大量合成的运动行为数据，该数据集极大地促进了动作分割、行为识别、运动预测等学术问题的研究，为篮球运动的分析与理解提供了新的视角和工具。

实际应用

实际应用中，SHOT7M2数据集可用于篮球运动员的训练辅助、比赛分析、战术制定等多个方面。其提供的细致动作数据可以帮助教练员精确分析运动员的表现，为运动科学和体育训练领域带来创新。

数据集最近研究

最新研究方向

在篮球行为分析领域，SHOT7M2数据集以其创新的合成、层次化和组合特性，正引领着研究方向。该数据集通过模拟神经网络状态机，实现从当前姿态预测未来动作，并利用动作间的平滑过渡，探索篮球行为的层次化组织。其研究的前沿性体现在对运动预测网络和门控网络的应用，以及基于行为分解的14种运动学模式的识别。SHOT7M2数据集为篮球动作分割、姿态估计和行为识别提供了丰富的资源，对提升运动员训练效率和比赛分析具有显著影响，也为体育科学和人工智能的融合研究开辟了新路径。