ShuttleSet

arXiv2023-06-08 更新2024-08-06 收录

下载链接：

http://arxiv.org/abs/2306.04948v1

下载链接

链接失效反馈

官方服务：

资源简介：

ShuttleSet是一个公开可用的人工标注羽毛球单打数据集，包含104组、3,685次对打和36,492次击球记录，涵盖了2018至2021年间44场比赛中27位顶尖男女单打选手的表现。该数据集通过计算机辅助标注工具进行手动标注，提高了标注效率和选择18种不同击球类型、相应击球位置以及双方球员位置的准确性。

ShuttleSet is a publicly available manually annotated badminton singles dataset, comprising 104 sets, 3,685 rallies, and 36,492 stroke records. It covers the performances of 27 elite male and female singles players across 44 matches held between 2018 and 2021. This dataset was manually annotated with the assistance of computer-assisted annotation tools, which improved annotation efficiency and the accuracy of labeling 18 distinct stroke types, their corresponding hitting positions, and the positions of both competing players.

创建时间：

2023-06-08

搜集汇总

数据集介绍

构建方式

ShuttleSet数据集的构建方式独特，它依赖于领域专家的人工标注，而非自动检测技术。为了提高标注效率和准确性，研究人员开发了一个计算机辅助的标注工具，名为S2-labeling tool。该工具允许专家以一通操作的方式，对每个击球进行详细的标注，包括击球类型、击球位置以及击球时双方球员的位置。这种手动标注的方法虽然成本较高，但能够确保数据集的质量和可靠性。数据集涵盖了2018年至2021年间27名顶尖男单和女单选手的44场比赛，包括104个回合、3685次回合和36492次击球。

特点

ShuttleSet数据集的特点在于其详尽性和多样性。它提供了最全面的开源羽毛球单打数据集，包含了每个回合的详细击球记录。数据集包含了丰富的字段，包括时间、空间、姿势和技能类别，这些字段可用于时空挖掘、动作识别和战术分析。此外，ShuttleSet还提供了自定义的训练、验证和测试集，以便研究人员根据不同的任务需求进行划分。数据集还展示了多个实际应用场景，并通过Python实现，为研究者和体育分析社区提供了先进应用的参考。

使用方法

ShuttleSet数据集的使用方法灵活多样。研究人员可以根据自己的需求，将数据集划分为训练集、验证集和测试集。数据集的标注记录以JSON格式提供，方便使用Flask等Web框架进行数据处理和分析。此外，ShuttleSet还提供了一个可视化平台，教练和球员可以直接使用该平台分析球员的战术和模式，无需重复观看比赛视频。平台具有友好的用户界面，无需技术背景即可直接使用。

背景与挑战

背景概述

在体育分析领域，随着人工智能技术的进步，深度学习方法在挖掘运动员战术以提升比赛表现和粉丝参与度方面展现出显著的效果。然而，现有的基于回合制运动的动作检测数据集普遍缺乏结构化源数据和击球级别的记录，这主要是因为这些数据集需要领域专家进行高成本的标注工作，且难以通过自动技术进行检测。ShuttleSet数据集由Wei-Yao Wang等人于2023年创建，旨在解决这一难题，该数据集包含2018年至2021年间27名顶级男女单打选手的44场比赛，共104个回合、3685个回合和36492个击球。ShuttleSet数据集通过计算机辅助标注工具进行手动标注，以提高标注效率和准确性，并选择18个不同的类别来描述击球类型、击球位置以及每个击球时两名选手的位置。此外，该数据集还提供了一个可视化平台，供教练通过人机交互界面深入分析选手的战术偏好。ShuttleSet数据集的创建对体育分析和人工智能领域产生了深远的影响，为研究人员提供了丰富的数据资源，以开发更先进的分析和预测模型。

当前挑战

ShuttleSet数据集面临的挑战主要包括：1)所解决的领域问题的挑战，即如何利用数据集中的击球级别记录来提高运动员的战术分析能力和预测准确性；2)构建过程中所遇到的挑战，例如如何有效地标注大量的击球数据，以及如何处理数据集中的不平衡类别问题。此外，ShuttleSet数据集还面临着如何将数据集应用于实际场景，并为教练和选手提供有价值的战术分析和预测工具的挑战。

常用场景

经典使用场景

ShuttleSet 数据集在羽毛球战术分析中具有广泛的应用价值，尤其是在动作识别、战术预测和球员行为模式分析等方面。通过对羽毛球比赛中的每一个击球进行细致标注，ShuttleSet 为研究人员提供了丰富的数据资源，可用于训练和测试各种深度学习模型。例如，研究人员可以利用 ShuttleSet 进行击球类型分类，预测球员的下一步动作，分析球员在不同比赛阶段的战术变化等。此外，ShuttleSet 还可用于构建羽毛球战术分析平台，为教练员和球员提供可视化工具，帮助他们更好地理解比赛中的战术变化，从而提高比赛表现。

衍生相关工作

ShuttleSet 数据集的发布，促进了羽毛球战术分析领域的研究。基于 ShuttleSet 数据集，研究人员开发了一系列深度学习模型，用于动作识别、战术预测等任务。例如，ShuttleScorer 模型用于预测每一击球的胜负，ShuttleNet 模型用于预测球员的下一步动作，DyMF 模型用于预测球员的运动轨迹等。这些模型为羽毛球战术分析提供了新的工具和方法，推动了羽毛球战术分析领域的发展。

数据集最近研究