[论文解读] A Survey of Deep Learning in Sports Applications: Perception, Comprehension, and Decision

Zhonghan Zhao, Wenhao Chai+7 more|arXiv (Cornell University)|Jul 7, 2023

Sports Analytics and Performance被引用 8

一句话总结

本论文提供了对体育领域深度学习的全面综述，按感知、理解和决策进行组织，涵盖数据集、虚拟环境、挑战与未来趋势。

ABSTRACT

Deep learning has the potential to revolutionize sports performance, with applications ranging from perception and comprehension to decision. This paper presents a comprehensive survey of deep learning in sports performance, focusing on three main aspects: algorithms, datasets and virtual environments, and challenges. Firstly, we discuss the hierarchical structure of deep learning algorithms in sports performance which includes perception, comprehension and decision while comparing their strengths and weaknesses. Secondly, we list widely used existing datasets in sports and highlight their characteristics and limitations. Finally, we summarize current challenges and point out future trends of deep learning in sports. Our survey provides valuable reference material for researchers interested in deep learning in sports applications.

研究动机与目标

• 提出一个层次化框架，将体育中的深度学习任务组织为感知、理解和决策。
• 总结广泛使用的体育数据集和虚拟环境，突出它们的特征与局限性。
• 识别目前体育深度学习在应用中的挑战并概述未来的研究方向。

提出的方法

• 提出体育领域深度学习任务的分层分类法：感知、理解和决策。
• 综述感知任务，包括运动员/球的位置定位、跟踪、再识别、姿态估计和相机校准。
• 综述理解任务，如个体/群体行为识别、动作质量评估、视频摘要和字幕生成。
• 综述决策任务，涵盖比赛评估、比赛预测、比赛仿真和体育运动的运动合成。

实验结果

研究问题

• RQ1 提出用于组织体育深度学习任务的分层结构（感知、理解、决策）有哪些？
• RQ2 用于体育深度学习的主要数据集和虚拟环境有哪些，它们的局限性是什么？
• RQ3 在将深度学习应用于体育表现分析方面，当前的挑战和未来趋势是什么？
• RQ4 感知输出如何为体育中的更高层次理解和决策任务提供支撑？

主要发现

• 作者提出了体育深度学习任务的三层次层级（感知、理解、决策）。
• 他们总结了跨多项运动的大量数据集和虚拟环境，并指出其特征与局限性。
• 他们识别出当前的挑战并在运动、数据集和方法方面勾勒出可行的未来研究方向。
• 他们讨论了在体育领域用于感知、理解和决策任务的前沿方法与基准。