BASKET

BASKET是一个大规模篮球视频数据集，用于细粒度技能评估。该数据集包含4,477小时的视频，捕捉了来自全球的32,232名篮球球员。数据集涵盖了21个篮球联赛，包括职业和业余比赛，包含超过7,000名女性球员，并详细标注了20种技能的等级。BASKET支持高级视频模型的开发，并可用于公平球探和个人化球员发展等应用。

BASKET is a large-scale basketball video dataset intended for fine-grained skill evaluation. This dataset encompasses 4,477 hours of video footage, capturing 32,232 basketball players from around the world. It covers 21 basketball leagues, including both professional and amateur competitions, features over 7,000 female players, and provides detailed annotations of proficiency levels for 20 distinct basketball skills. BASKET supports the development of advanced video models, and can be utilized in applications such as fair player scouting and personalized player development.

原始信息汇总

BASKET🏀: 大规模细粒度技能评估视频数据集

数据集概述

• 名称: BASKET (Basketball Skill Estimation)
• 论文作者: Yulu Pan, Ce Zhang, Gedas Bertasius
• 机构: UNC Chapel Hill
• 发表会议: CVPR 2025
• 论文链接: https://arxiv.org/abs/2503.20781
• 项目主页: https://sites.google.com/cs.unc.edu/basket
• 数据申请: https://docs.google.com/forms/d/e/1FAIpQLSd_NXfijBL4nIn0aXDNni3VCPoYGUM5l8w55uOtD11qp_g5iQ/viewform?usp=dialog

核心亮点

1. 规模庞大

   • 视频时长：4,477小时
   • 球员数量：32,232名（全球范围）

2. 多样性丰富

   • 覆盖联赛：21个（含职业和业余联赛）
   • 女性球员：超过7,000名
   • 标注技能：20种细粒度篮球能力

3. 应用广泛

   • 支持高级视频模型开发
   • 适用于公平球探评估、个性化球员发展等场景

数据集内容

• 视频数据:

  • 每个球员8-10分钟的高光视频
  • 按赛季和联赛分类存储（如NBA、NCAA Division I等）

• 标注结构:

  • CSV格式存储（train/val/test分割）
  • 包含20项技能的水平评级（0-4分制，4为最高）
  • 特殊说明：防守一致性技能评分反向（0表示优秀防守）

数据获取

1. 填写Google表单申请访问权限

2. 数据目录结构示例：

   BASKET/ ├── 18-19/ │ ├── NBA/ │ └── NCAA Division I/ └── 22-23/ ├── FIBA Europe Cup/ └── China. CBA/

实验环境

• 硬件配置：8×NVIDIA RTX A6000 GPU
• 注意事项：结果可能因随机种子/GPU规格/数据传输产生微小差异

资源状态

• [x] 论文已发布
• [x] 数据集已开放
• [x] 模型检查点已发布
• [x] 推理代码已提供

搜集汇总

数据集介绍

构建方式

在篮球运动分析领域，BASKET数据集通过系统化采集全球21个篮球联赛的赛事视频构建而成，涵盖职业与业余联赛的32,232名球员影像资料。研究团队采用分层抽样策略，确保数据在性别、年龄、技能水平等维度具有代表性，最终整合4,477小时视频素材。每个球员片段配备20项精细技能标注，由专业评委会根据标准化评分体系完成标注工作，形成结构化评估矩阵。

特点

作为当前规模最大的篮球技能评估数据集，BASKET的突出优势体现在多维度的数据覆盖。数据集不仅包含7,000余名女性球员样本，更创新性地定义了20项细分技能指标，从投篮准度到防守一致性等维度建立立体评估体系。视频素材平均时长8-10分钟，完整记录球员技术动作细节，其时空复杂度远超传统动作识别数据集，为模型捕捉长程依赖关系提供理想测试平台。

使用方法

研究者可通过提交数据使用申请获取BASKET的完整资源包，数据集采用树状目录结构组织，按赛季和联赛分级存储视频文件。配套标注以CSV格式提供，包含视频路径与20维技能评分矩阵。使用建议将相对路径转换为绝对路径，并注意防御性指标的反向评分特性。数据集支持跨赛季、跨联赛的泛化性测试，配套提供预训练模型参数，建议在RTX A6000级GPU集群上复现实验。

背景与挑战

背景概述

BASKET数据集由北卡罗来纳大学教堂山分校的Yulu Pan、Ce Zhang和Gedas Bertasius团队于2025年构建，旨在解决篮球视频分析中细粒度技能评估的挑战。该数据集收录了来自全球21个篮球联赛的32,232名球员的4,477小时视频，覆盖了职业与业余联赛、不同性别及年龄段的球员，并标注了20项精细化的篮球技能水平。BASKET的推出填补了大规模、多样化篮球视频数据集的空白，为计算机视觉领域的长时视频理解和细粒度识别提供了重要资源，同时促进了篮球领域的公平选拔和个性化训练等应用发展。

当前挑战

BASKET数据集面临的挑战主要体现在两方面：其一，在领域问题层面，现有视频识别模型难以捕捉长时视频（8-10分钟）中球员技能的微妙差异，如防守一致性或投篮技巧的细粒度分级（0-4级），其表现显著低于人类专家基准；其二，在构建过程中，需克服跨联赛、跨赛季视频数据采集的复杂性，以及20项技能标注的标准化问题，尤其是处理业余联赛视频质量不均和女性球员数据代表性不足等难题。

常用场景

经典使用场景

在计算机视觉与体育分析交叉领域，BASKET数据集为细粒度技能评估提供了前所未有的研究平台。其核心应用场景在于通过长达8-10分钟的比赛集锦视频，训练深度学习模型对篮球运动员20项专项技能进行五级评分（优秀至差）。这种长时序视频分析任务，要求模型捕捉运球突破、防守站位等动态细节，为自动化球员评估建立了标准化测试基准。

实际应用

职业球探系统可基于该数据集开发自动化潜力评估工具，通过对比球员技能雷达图实现高效人才筛选。训练辅助领域则能生成个性化发展建议，如针对投篮稳定性的专项训练规划。教育机构可构建智能教学系统，利用跨联赛数据展示不同水平的技术动作差异。

衍生相关工作

基于BASKET的基线研究催生了时空注意力网络SkillNet，其分层架构分别处理局部动作片段与全局战术配合。后续工作BasketGPT引入多模态大模型，将解说音频与视频流联合分析。在公平性研究方面，衍生出DebiasHook模块，有效降低模型对球员体型的偏见。