AthleticsPose

Name: AthleticsPose
Creator: 名古屋大学
Published: 2025-07-17T16:43:23+08:00

arXiv2025-07-17 更新2025-07-19 收录

职业体育数据分析

姿态识别

数据链接：

https://github.com/SZucchini/AthleticsPose 数据链接链接失效反馈

官方服务：

资源简介：

AthleticsPose数据集是首个公开的3D人体姿态数据集，包含23名运动员在田径场上进行的各种田径项目的“真实”动作。该数据集使用8个同步摄像头进行采集，包含大约500,000个真实的田径动作帧。数据集的创建过程经过了严格的校准和同步，确保了数据的准确性和一致性。该数据集旨在解决现有数据集缺乏真实体育动作数据的问题，并为研究社区提供有价值的资源，以便更好地理解和分析运动中的动态特征。

The AthleticsPose dataset is the first publicly available 3D human pose dataset. It encompasses "authentic" motions of 23 athletes performing various track and field events on athletic fields. Collected with 8 synchronized cameras, the dataset contains approximately 500,000 frames of real track and field motion data. Its development process has undergone rigorous calibration and synchronization to ensure data accuracy and consistency. This dataset aims to address the scarcity of real-world sports motion data in existing datasets, providing a valuable resource for the research community to better understand and analyze dynamic characteristics during athletic movements.

提供机构：

名古屋大学

创建时间：

2025-07-17

原始信息汇总

AthleticsPose 数据集概述

基本信息

数据集名称：AthleticsPose: Authentic Sports Motion Dataset on Athletic Field and Evaluation of Monocular 3D Pose Estimation Ability
状态：开发中（Work in Progress）
发布日期：2025-07-18（初始版本）
许可证：CC BY-NC-SA 4.0

数据集内容

类型：运动场景下的3D姿态估计数据集
特点：
- 专注于田径运动场景
- 包含真实运动动作数据
- 提供单目3D姿态估计评估框架

开发计划

待完成事项：
- 添加数据集文件及下载说明
- 完善README.md文件
- 实现任意视频输入推理功能
- 提供预训练模型权重
- 添加数据集结构和运行方法文档

安装方法

bash git clone https://github.com/your-username/AthleticsPose.git cd AthleticsPose uv sync

引用格式

bibtex @misc{suzuki2025athleticsposeauthenticsportsmotion, title={AthleticsPose: Authentic Sports Motion Dataset on Athletic Field and Evaluation of Monocular 3D Pose Estimation Ability}, author={Tomohiro Suzuki and Ryota Tanaka and Calvin Yeung and Keisuke Fujii}, year={2025}, eprint={2507.12905}, archivePrefix={arXiv}, primaryClass={cs.CV}, url={https://arxiv.org/abs/2507.12905}, }

联系方式

通过GitHub提交issue或联系作者

搜集汇总

数据集介绍

构建方式

AthleticsPose数据集的构建采用了多摄像头同步采集技术，在真实的户外田径场环境中捕捉23名运动员的高强度运动数据。研究团队使用8台高清高速摄像机（Miqus Video, Qualisys Inc.）组成的无标记光学动作捕捉系统（Theia3D），通过硬件同步确保时间对齐精度。数据采集后经过严格的后期处理流程，包括关节坐标检测帧筛选、骨骼长度一致性校验、视频剪辑同步等步骤，最终将验证后的3D关节坐标投影至各相机视角的2D图像，形成包含约50万帧83个关节点数据的标准化数据集。

使用方法

使用AthleticsPose时建议采用分视图训练策略，实验表明侧面视角（MPJPE 31.42mm）比正面/背面视角（36.34mm）具有更高精度。数据集支持2D到3D姿态估计的完整流程验证：先通过ViTPose等2D姿态估计模型获取关键点，再采用MotionAGFormer等时序模型进行3D姿态重建。特别适用于周期性运动分析（如跑步），但对投掷类动作的上肢关节估计误差需谨慎处理。研究证实，基于该数据集训练的模型可使MPJPE指标较通用数据集降低约75%。

背景与挑战

背景概述

AthleticsPose数据集由日本名古屋大学的Tomohiro Suzuki等人于2025年提出，旨在解决运动科学领域中单目3D姿态估计的关键瓶颈问题。该数据集创新性地采集了23名运动员在真实田径场上完成8类竞技项目的运动数据，包含约50万帧高动态序列，首次实现了户外竞技场景下真实运动的高精度三维捕捉。作为首个公开的田径专项姿态数据集，其采用八台同步高速相机组成的无标记动作捕捉系统，通过严格的时空校准和骨骼一致性校验，建立了包含83个关节点的精细运动表征。该数据集突破了传统实验室环境采集的局限性，为运动生物力学分析、竞技表现评估等领域提供了重要的基准数据。

当前挑战

AthleticsPose数据集主要面临三重挑战：在领域问题层面，需解决高速动态运动中关节点位移剧烈（腕部峰值速度达46.48m/s²）导致的姿态估计漂移问题，以及投掷类动作上肢运动轨迹复杂造成的三维重建误差；在数据构建层面，无标记捕捉系统需克服户外光照变化对多视角视觉同步的影响，同时应对运动员大幅位移造成的尺度变化（边界框高度差异达67%）；在应用验证层面，模型对摄像机视角（侧视误差31.42mm vs正/背视36.34mm）和运动指标类型（膝关节角度误差6.43° vs膝驱动速度误差0.77m/s）表现出的敏感性，揭示了现有算法在竞技运动分析中的局限性。

常用场景

经典使用场景

AthleticsPose数据集在运动科学和计算机视觉领域具有广泛的应用价值，其最经典的使用场景是用于单目3D姿态估计模型的训练和验证。该数据集包含了23名运动员在真实田径场上进行多种田径项目的高动态运动数据，为研究人员提供了一个真实且多样化的运动捕捉环境。通过使用AthleticsPose，研究人员可以训练模型以更准确地捕捉高速运动中的复杂姿态变化，特别是在需要高精度姿态分析的场景中，如短跑、跨栏和投掷项目。

解决学术问题

AthleticsPose数据集解决了运动分析中两个关键的学术问题：一是缺乏真实运动数据的问题，传统数据集多由模仿动作或实验室环境下的日常活动组成，无法反映真实运动的高动态特性；二是缺乏全面的评估协议，现有研究多关注位置误差指标，而运动应用需要验证从估计姿态中导出的运动指标，如关节角度和速度。该数据集通过提供真实田径运动的高质量数据，填补了这一空白，并推动了单目3D姿态估计在运动科学中的实际应用。

实际应用

在实际应用中，AthleticsPose数据集为运动员表现分析、训练优化和伤害预防提供了有力工具。教练和运动科学家可以利用该数据集训练的模型，实时监测运动员的姿态变化，识别技术缺陷，并制定个性化的训练计划。例如，在短跑项目中，模型可以分析支撑腿的膝关节角度和最大膝驱动速度，帮助运动员优化步态和提高速度。此外，该数据集还可用于虚拟现实和增强现实中的运动模拟，为运动员提供沉浸式训练体验。

数据集最近研究