ShuttleSet

ShuttleSet数据集由首尔崇实大学智能半导体系和人工智能融合学院的研究人员创建，用于羽毛球单打比赛的分析。该数据集通过ViT-Pose技术提取关键点，并通过基于ST-GCN的对比学习框架嵌入。数据集的创建旨在解决羽毛球双打比赛中多个人物追踪和数据获取的挑战，为羽毛球双打比赛的分析提供了新的可能性。

The ShuttleSet dataset was developed by researchers from the Department of Intelligent Semiconductor Systems and the School of AI Convergence at Sungshin University in Seoul, for the analysis of badminton singles matches. Keypoints were extracted via ViT-Pose technology, and the resulting feature embeddings were generated using a contrastive learning framework based on ST-GCN. This dataset was created to address the challenges of multi-person tracking and data acquisition in badminton doubles matches, offering new possibilities for the analysis of such matches.

搜集汇总

数据集介绍

构建方式

在羽毛球运动分析领域，ShuttleSet数据集的构建采用了多模态技术融合的方法。通过YOLOv11x模型进行球员检测，结合BoT-SORT算法实现多目标跟踪，并引入基于速度预测的自定义算法解决身份切换问题。利用ViT-Pose提取17个关节点坐标，通过ST-GCN架构进行时空图卷积编码，最终采用对比学习框架生成64维特征表示。数据源自BWF官方频道的广播视频，经过严格的帧级标注和空间标准化处理，确保运动表征的几何不变性。

使用方法

该数据集的应用遵循分层处理流程。首先通过目标检测模块定位四名球员并分配唯一ID，随后提取各球员的骨架关键点序列。预训练的ST-GCN骨干网络将关键点映射到64维潜空间，Transformer编码器则对每个球员的特征进行独立分类。最终采用基于置信度的决策机制，选择预测得分最高的球员作为击球执行者。该方法支持实时比赛分析，可扩展至击球类型识别和战术模式挖掘等下游任务，为体育人工智能提供可迁移的分析框架。

背景与挑战

背景概述

羽毛球运动作为全球最快的球拍类竞技项目之一，其双打形式在国际赛事中的占比远超单打，却长期面临数据分析的空白。2025年由韩国松实大学智能半导体系与人工智能融合学院联合发布的ShuttleSet数据集，首次系统性地构建了双打比赛的分析框架。该数据集通过计算机视觉技术提取运动员姿态关键点，结合时空图卷积网络（ST-GCN）和对比学习框架，实现了从单打模型到双打场景的跨格式迁移学习，填补了多球员追踪与协同策略分析的技术真空，为体育科学和运动生物力学研究提供了新的量化分析范式。

当前挑战

双打羽毛球分析需解决多球员遮挡引发的身份切换（ID-Switching）问题，因同队球员服装一致性和快速位姿重叠导致视觉特征模糊。构建过程中需克服广播视频视角受限、球员临时消失导致的轨迹断裂，以及单打数据与双打动态协同策略间的域适应差异。此外，双打场景中四名球员的时空交互复杂度远超单打，要求模型具备更强的泛化能力和实时身份一致性保持机制。

常用场景

经典使用场景

在羽毛球运动分析领域，ShuttleSet数据集被广泛应用于基于姿态估计的击球动作识别研究。该数据集通过提取运动员的关键点序列，结合时空图卷积网络（ST-GCN）和对比学习框架，为双打比赛中的多人动作分析提供了重要基础。其经典使用场景包括从广播视频中自动检测击球时刻、追踪球员运动轨迹以及分析战术配合模式，为传统依赖人工观察的体育科学研究提供了可量化的 computational 解决方案。

解决学术问题

该数据集有效解决了羽毛球双打分析中多人追踪与身份保持的学术难题。通过引入基于速度预测的多目标追踪算法，显著减少了因球员快速移动和遮挡导致的ID切换问题。在学术意义上，它首次实现了从单打训练模型向双打场景的跨格式迁移学习，证明了姿态表征在复杂多人环境中的泛化能力，为多智能体运动分析提供了新的理论基础和方法论框架。

实际应用

在实际应用层面，ShuttleSet支撑了智能体育分析系统的开发，包括实时比赛解说辅助、战术训练评估和广播内容增强。系统可通过常规转播镜头自动生成击球序列统计、球员移动热力图和配合效率指标，为教练团队提供数据驱动的决策支持。此外，该技术还可应用于青少年训练评估，通过比对专业球员姿态序列帮助优化技术动作。

数据集最近研究

最新研究方向

羽毛球运动分析领域正经历从单打模式向双打模式的范式转移，ShuttleSet数据集的最新研究聚焦于跨格式迁移学习的前沿探索。通过结合ViT-Pose关键点提取与ST-GCN时空图卷积网络，研究者成功将单打训练模型迁移至双打场景，解决了多人遮挡导致的身份切换难题。这项突破性工作揭示了骨骼运动表征在跨场景泛化中的显著优势，为双打战术分析、协同运动模式识别提供了新范式，同时推动了基于对比学习的运动表征框架在竞技体育分析中的应用深度。

相关研究论文

• Bridging the Gap: Doubles Badminton Analysis with Singles-Trained Models

  首尔崇实大学智能半导体系,首尔崇实大学人工智能融合学院 · 2025年