FSD-10

FSD-10是由中国科学院自动化研究所创建的精细体育内容分析数据集，专注于竞技体育视频片段中的动作识别。该数据集包含1484个来自2017-2018年世界花样滑冰锦标赛的视频片段，涵盖10种不同的男子/女子项目动作。每个视频片段以30帧每秒的速率录制，分辨率为1080x720。这些视频片段由专家进行标注，包括动作类型、执行等级、滑冰者信息等。FSD-10旨在通过精确提取动作运动而非动作姿势，为动作识别算法提供基准测试，推动开发更稳健和先进的动作识别模型。

FSD-10 is a fine-grained sports content analysis dataset developed by the Institute of Automation, Chinese Academy of Sciences, focusing on action recognition in competitive sports video clips. This dataset comprises 1484 video clips extracted from the 2017-2018 World Figure Skating Championships, covering 10 distinct event actions for both men’s and women’s competitions. Each video clip is recorded at 30 frames per second (fps) with a resolution of 1080×720. These video clips are manually annotated by domain experts, with details including action type, execution grade, skater information and other relevant metadata. FSD-10 is designed to serve as a benchmark for action recognition algorithms by accurately capturing motion features rather than postural features of actions, thereby promoting the development of more robust and cutting-edge action recognition models.

搜集汇总

数据集介绍

构建方式

在花样滑冰运动分析领域，FSD-10数据集的构建体现了对专业性与精细化的追求。该数据集源自2017至2018年世界花样滑冰锦标赛的高清录像，通过人工剪辑从约80小时的原始视频中提取出1484个动作片段。每个片段时长介于3至30秒，以每秒30帧、分辨率1080×720的标准统一处理，确保数据的一致性。专家团队对每个片段进行了多维度标注，涵盖动作类型、执行等级、运动员信息等关键属性，最终精选出10类高频动作，形成涵盖跳跃、旋转和衔接序列的细粒度集合。

特点

FSD-10数据集的核心特点在于其高度专业化与挑战性。动作内容复杂且速度极快，如阿克塞尔两周跳仅在约2秒内完成，对模型捕捉瞬时动态的能力提出严峻考验。数据集背景高度一致，仅包含运动员与冰面环境，迫使模型聚焦于动作本身而非依赖静态姿态或场景信息进行判别。此外，数据集融合了国际滑联评分规则中的基础分与执行等级，支持动作质量评估与时间分割等多元任务，为细粒度分类、时序分析及跨模态学习提供了丰富的研究场景。

使用方法

该数据集适用于计算机视觉在竞技体育内容分析中的多项前沿任务。在动作分类任务中，研究者可利用其细粒度标注训练模型区分高度相似的技术动作，如通过关键帧采样策略捕捉起跳瞬间的细微差异。对于动作质量评估，可结合基础分与执行等级数据，开发回归模型以模拟裁判评分机制。时序分割任务则支持对动作阶段（如准备、起跳、空中旋转、落地）的自动化解析。此外，数据集还可扩展至双人滑动作迁移、音乐节奏协同分析等跨领域研究，为模型鲁棒性与泛化能力提供验证平台。

背景与挑战

背景概述

在计算机视觉领域，动作识别作为视频分析的核心课题，长期以来面临着复杂动态场景下的精准建模挑战。随着深度学习技术的蓬勃发展，通用动作数据集如HMDB51和UCF101虽推动了基础算法进步，但在高度专业化的竞技体育内容分析中，其表征能力仍显不足。为填补这一空白，大连理工大学与中国科学院自动化研究所的研究团队于2019年共同构建了花样滑冰数据集FSD-10。该数据集源自2017至2018年世界级花样滑冰锦标赛的高清视频，涵盖1484个剪辑片段，精细标注了10类高难度技术动作，如阿克塞尔三周跳与勾手三周跳。FSD-10的创立旨在推动模型从依赖静态姿态与背景的识别范式，转向以运动动力学为核心的分析框架，为竞技体育视频理解设立了新的基准。

当前挑战

FSD-10所针对的竞技体育动作识别领域，核心挑战在于区分视觉相似度高、运动轨迹复杂的精细化动作。例如，卢茨跳与菲利普跳仅在起跳瞬间的刃区差异，要求模型必须捕捉毫秒级的动态特征而非依赖静态姿态。同时，动作质量评估需融合国际滑联规则，将基础分与执行等级纳入量化体系，增加了评估维度的复杂性。在数据集构建过程中，挑战主要体现在专业标注的艰巨性：动作片段需从近80小时原始视频中人工分割，并依赖领域专家对动作类型、执行等级、运动员信息等多维度进行精准注释。此外，数据分布不均衡、动作速度极快（如两周半跳仅持续约2秒）以及摄像机追踪运动造成的动态背景，均为模型训练带来了显著困难。

常用场景

经典使用场景

在计算机视觉领域，体育内容分析正逐渐成为研究热点，FSD-10数据集以其精细化的动作标注和高速运动特性，为动作识别任务提供了经典的应用场景。该数据集主要被用于花样滑冰动作的细粒度分类研究，通过捕捉运动员在冰面上的复杂跳跃、旋转和序列动作，推动模型从视频中准确提取动作动态而非静态姿态。研究者常利用FSD-10评估时序建模算法的性能，例如基于关键帧的时序分割网络，以验证模型在高速运动场景下的鲁棒性和判别力。

衍生相关工作

围绕FSD-10数据集，学术界衍生出一系列经典研究工作，持续推动动作识别技术的演进。原论文提出的关键帧时序分割网络（KTSN）成为该领域的基准模型之一，启发了后续针对高速运动的采样策略优化。许多研究在此基础上探索多模态融合方法，结合骨骼关键点与光流特征以提升分类精度。同时，FSD-10也被广泛应用于动作质量评估模型的比较与验证，促进了时序分割与跨任务学习算法的发展，为竞技体育视频分析建立了新的技术范式与评估标准。

数据集最近研究

最新研究方向

在计算机视觉领域，体育内容分析正逐步向精细化与专业化迈进。FSD-10数据集作为花样滑冰动作识别的专项资源，其最新研究聚焦于利用领域知识驱动的高效时序建模方法。前沿探索围绕关键帧采样技术展开，通过引入人体姿态散度指标，精准捕捉高速复杂动作的判别性瞬间，从而提升动作分类的准确性。这一方向不仅呼应了竞技体育分析中对运动本质而非静态背景的依赖，也为动作质量评估、时序分割等任务提供了新的基准。热点事件体现在该数据集推动了背景无关动作识别模型的发展，促使研究社区关注动作本身的运动特性，增强了模型在多变场景下的鲁棒性与泛化能力。其影响在于为精细粒度体育视频分析设立了挑战，促进了跨模态学习与迁移学习等交叉方向的探索，对智能体育裁判系统与沉浸式观赛体验的演进具有深远意义。

相关研究论文

• FSD-10: A Dataset for Competitive Sports Content Analysis

  中国科学院自动化研究所 · 2020年