TTA

TTA数据集是一个手动标注的乒乓球跟踪数据集，包含9,159个样本，其中包括1,996个遮挡案例。该数据集旨在反映真实世界的游戏条件，为评估在具有挑战性的遮挡场景下的目标跟踪性能提供了一个宝贵的基准。数据集由Deakin大学与澳大利亚残疾人奥运会合作开发，用于评估TOTNet（时间遮挡跟踪网络）的性能。TOTNet是一个新的框架，它集成了空间和时间信息，并使用了专门的学习模块和遮挡感知数据增强技术。该网络通过减少均方根误差（RMSE）和提升遮挡帧的准确率，在多种体育数据集上显著优于先前的最先进方法。

The TTA Dataset is a manually annotated table tennis tracking dataset containing 9,159 samples, among which 1,996 are occlusion cases. It is designed to reflect real-world game conditions, serving as a valuable benchmark for evaluating object tracking performance in challenging occlusion scenarios. This dataset was developed in collaboration between Deakin University and the Australian Paralympic Committee, and is used to evaluate the performance of TOTNet (Temporal Occlusion Tracking Network). TOTNet is a novel framework that integrates spatial and temporal information, and employs specialized learning modules and occlusion-aware data augmentation techniques. This network significantly outperforms previous state-of-the-art methods across multiple sports datasets by reducing root mean square error (RMSE) and improving the accuracy of occluded frames.

原始信息汇总

TOTNet数据集概述

数据集简介

• TOTNet是一个专注于利用时空信息进行球类追踪的神经网络，特别针对遮挡场景下的追踪挑战。

数据集组成

• Tennis and Badminton Datasets
  通过WASB-SBDT和TrackNet官方仓库获取：

  • WASB-SBDT数据集：https://github.com/nttcom/WASB-SBDT/blob/main/GET_STARTED.md
  • TrackNet数据集：https://gitlab.nol.cs.nycu.edu.tw/open-source/TrackNet

• TT Dataset (Table Tennis)
  通过TTNet仓库获取：

  • TTNet数据集：https://github.com/maudzung/TTNet-Real-time-Analysis-System-for-Table-Tennis-Pytorch/tree/master/prepare_dataset

• TTA Dataset (Table Tennis Australia)
  仅限学术研究使用，需通过邮件申请并签署使用协议。

数据集组织结构

data/ ├── tta_dataset/ ├── tennis_data/ ├── badminton_data/

训练配置

硬件要求

• 2 × NVIDIA A100 GPUs

超参数设置

参数名称	参数值
学习率	5e-4
权重衰减	5e-5
批量大小	16
训练周期数	30
可见性权重	[1, 2, 2, 3]

训练命令示例

bash torchrun --nproc_per_node=3 main.py --num_epochs 30 --saved_fn TOTNet --num_frames 5 --optimizer_type adamw --lr 5e-4 --loss_function WBCE --weight_decay 5e-5 --img_size 288 512 --batch_size 24 --dataset_choice tennis --model_choice TOTNet --occluded_prob 0.1 --ball_size 4 --val-size 0.2

其他实现模型

• TrackNetV2
• monoTrack
• TTNet
• WASB模型（直接使用官方实现）

消融研究

• 输入帧数超过5帧时准确率不再提升
• 使用中间帧或最后一帧作为预测目标时性能表现一致

搜集汇总

数据集介绍

构建方式

TTA数据集构建于专业级残奥会乒乓球比赛视频，涵盖四场比赛的9,159个样本，包含1,996个遮挡案例。数据采集采用25fps帧率的1080×1920分辨率视频，通过人工标注团队按照标准可见性标签体系进行精细标注，并邀请国家队分析师参与质量审核。该数据集创新性地采用遮挡增强技术，通过在目标帧中随机掩膜球体区域并填充周围像素均值，模拟真实比赛中的复杂遮挡场景。

特点

TTA数据集的核心价值在于其高度专业化的遮挡场景覆盖，包含完全可见（5,141）、部分遮挡（834）和完全遮挡（650）三个可见性等级的精细标注。相比现有体育数据集，其遮挡样本比例达21.8%，创造了同类数据集的新高。数据来源于残奥会真实比赛场景，涵盖了因摄像机角度、球体尺寸和动态对抗产生的各类复杂遮挡情况，为算法在真实场景中的泛化能力提供了严格测试基准。

使用方法

该数据集专为离线体育分析设计，适用于三维卷积网络等时序模型的训练与评估。使用时应将视频帧统一缩放至288×512像素，建议以5帧为时序单元输入以平衡计算效率与上下文信息。评估指标采用RMSE和准确率双重标准，对完全/部分遮挡样本分别设置5像素和10像素的误差容忍阈值。数据集配套的遮挡增强策略可集成至训练流程，通过随机掩膜机制强制模型学习时空上下文特征。

背景与挑战

背景概述

TTA数据集是由Deakin大学与澳大利亚残奥委会合作开发的，专注于体育视频分析中的遮挡条件下球体追踪问题。该数据集创建于2025年，收录了来自残奥会乒乓球比赛的9159个样本，其中包含1996个遮挡案例。TTA旨在解决高速运动场景下因球员、器材或环境因素导致的球体遮挡问题，为后比赛分析、裁判决策等应用提供数据支持。其创新性在于首次系统性地标注了专业级残奥赛事中的多样化遮挡场景，填补了现有体育数据集在遮挡样本多样性上的空白，对计算机视觉领域的小目标追踪与时空建模研究具有重要推动作用。

当前挑战

TTA数据集面临的核心挑战体现在两个维度：在领域问题层面，高速运动的小尺寸球体在遮挡条件下的时空连续性建模极具难度，传统基于单帧检测的追踪方法（如YOLO、Faster R-CNN）难以处理完全遮挡时的轨迹预测；在构建层面，专业赛事视频中存在低帧率导致的运动模糊、多角度拍摄造成的透视变形等问题，需设计特殊的标注规范（如四类可见度标签）并通过国家队分析师校验确保质量。此外，合成遮挡数据与真实比赛物理规律的一致性、非可见帧的坐标标注歧义性等难题，也对该数据集的构建提出了更高要求。

常用场景

经典使用场景

TTA数据集在体育视频分析领域具有重要的应用价值，尤其在乒乓球比赛中，该数据集被广泛用于研究球体在遮挡情况下的追踪问题。通过提供大量遮挡样本，TTA数据集为开发先进的深度学习模型提供了丰富的训练和测试资源，特别是在处理快速移动的小目标时表现出色。

实际应用

在实际应用中，TTA数据集被用于开发高性能的体育分析系统，例如赛后分析、裁判辅助和球员表现评估。这些系统能够准确追踪球体轨迹，即使在遮挡严重的情况下也能保持高精度，为教练和运动员提供了宝贵的数据支持，进一步推动了体育科技的发展。

衍生相关工作

TTA数据集衍生了许多经典的研究工作，例如TOTNet模型，该模型通过结合时空信息和遮挡增强技术，显著提升了遮挡条件下的球体追踪性能。此外，基于TTA数据集的后续研究还探索了多种深度学习架构和优化方法，进一步推动了体育视频分析领域的技术进步。