ArticleMetadataMain page

source · 2026-05-16

BST：面向羽毛球击球类型识别的骨架动作 Transformer

#near-cvpr-2025#video-understanding#tracking#representation-learning#primary-source

BST：面向羽毛球击球类型识别的骨架动作 Transformer

会议 / 来源：arXiv
发表日期：2025-02-28；v4 更新：2026-03-31
资料加入日期：2026-05-16

一句话结论

BST 把羽毛球分析从 shuttle tracking 推到 stroke-type classification：先围绕 hit frame 截取每个球员的挥拍片段，再把人体骨架、球路轨迹和场上位置送入 Transformer，预测单打场景中的击球类型。

论文定位

这篇论文适合作为羽毛球视频理解的“任务拓展”锚点。此前 wiki 已覆盖 sources/2026-05-05-tracknet-high-speed-tiny-objects、sources/2026-05-05-tracknetv2-efficient-shuttlecock-tracking、sources/2026-04-25-tracknetv3、sources/2026-05-05-tracknetv4-motion-attention-maps 与 sources/2026-05-05-monotrack-shuttle-trajectory-reconstruction，它们主要解决 shuttle 2D / 3D 轨迹。BST 进一步说明：当球、场线、人体姿态和球员位置可用后，下游可以进入击球类别、技战术标签和动作纠正。

问题定义

羽毛球 stroke-type classification 的难点在于：人体挥拍动作高度相似，选手可能有假动作，且目标击球前后的对手动作会干扰片段表征。BST 的核心判断是：shuttle trajectory 直接反映真实击球结果，因此 stroke classifier 应把球路作为主证据，再用 pose 与 court position 补充身体动作和空间上下文。

方法概述

  • Clipping strategy：围绕 hit frame 和相邻击球帧切出 target stroke clip，保留前一拍与后一拍的上下文。
  • BST-0 backbone：编码 player joints / bones 和 shuttle positions，形成 stroke representation。
  • Pose Position Fusion (PPF)：将 player position 融入 pose latent，让场上站位参与判断。
  • Cleaned Graph (CG)：清理由对手动作带来的 trajectory 干扰。
  • Aim Player (AP)：按 overall trajectory 与两名球员 trajectory 的相关性给目标球员加权。

关键图示

page-03

p3 展示 clipping strategy：目标击球片段应围绕 hit frame，并保留与前后击球相关的球路上下文。

page-05

p5 展示 BST 架构：pose、shuttle trajectory、player position 分支进入 Transformer 和增强模块。

page-06

p6 展示 ShuttleSet 25 类主结果。自有 clipping strategy 下，BST-CG-AP 达到 0.8322 accuracy、0.8097 macro-F1、0.9594 top-2 accuracy。

page-07

p7 展示低样本、BadmintonDB 和数据集细节，说明 BST 在 25% training data 和另一个羽毛球数据集上也保持优势。

核心实验与结果

数据集 / 设置代表结果含义
ShuttleSet 25 classes, fixed-widthBST-CG-AP：Acc 0.8254、Macro-F1 0.7983、Acc-2 0.9503BST 系列超过 TemPose 与通用 SAR 基线
ShuttleSet 25 classes, proposed clippingBST-CG-AP：Acc 0.8322、Macro-F1 0.8097、Acc-2 0.9594hit-frame-centered clipping 带来增益
25% ShuttleSet trainingBST-CG：Acc 0.7020、Macro-F1 0.6334低样本下结构先验仍有价值
BadmintonDB 18 classesBST-AP：Acc 0.6517、Macro-F1 0.5799另一个羽毛球数据集上仍强于比较模型
TenniSet 6 classesBST-AP：Acc 0.9923、Macro-F1 0.9922球路 + 姿态 + 场上位置路线可迁移到网拍运动
ShuttleSet 35 classesBST-CG-AP + clipping：Acc 0.7710、Macro-F1 0.7042、Acc-2 0.9340类别更细时 top-2 和混淆分析更重要
2D vs 3D pose2D pose 在所有列出的模型上优于估计 3D pose当前转播场景应优先使用可靠 2D keypoints

用户贴出的 Related Work 段落来自 BST 论文。它有两条可直接补进 wiki 的线索：

  1. Badminton analysis system：早期系统从广播视频结构化分析、球场/球员/球路检测、属性标注、可视化 UI、击球分类、发球检测逐步推进到 TrackNet 系列和 MonoTrack。
  2. Skeleton-based Action Recognition：ST-GCN、BlockGCN、SkateFormer、ProtoGCN 说明骨架动作识别已经形成 GCN、TCN、Transformer、contrastive/prototype learning 等方法分支，BST 借用这条 SAR 主线来解决羽毛球击球类型识别。

本地已把 BST v4 references 中和这两条线相关的 14 个条目追溯到 raw/ingest/2026-05-16-bst-badminton-stroke-type-transformer/related-work-trace.md。其中 TemPose、ShuttleSet、BlockGCN、SkateFormer 和 ProtoGCN 已经拆成独立 source notes；后续可继续补 badminton serve / stroke classification 的早期工作。

对当前 wiki 判断的影响

BST 把 topics/sports-ai-video-understanding 的羽毛球线从“球在哪里”推进到“这个击球是什么类型”。它给 questions/question-badminton-stroke-correction-demo 三个工程原则：hit frame 是样本中心，shuttle trajectory 是主证据，2D pose 先行更适合当前转播 / 手机视频质量。

来源可靠性与可溯源性

  • 来源层级：arXiv primary paper；v4 HTML 和 PDF 已保存。
  • 可溯源材料：本地已保存 paper.pdf、paper-text.md、analysis.md、abstract.md、links.yaml 和 related-work trace；PDF SHA256：a1197eb9d5cde5eb35689b8d79358b94925fc7cceb3e2201eab44bdfbbab34d0。
  • 使用边界：当前作为 arXiv evidence 使用；若后续进入正式会议或期刊，需要补 venue、DOI 和最终版本。

局限或疑问

  • 效果依赖 hit frame detection、shuttle tracking、court-line detection 和 pose estimation；真实系统应把这些上游置信度写进输出。
  • 论文主要处理 singles stroke classification；动作纠正还需要错误模式标签、动作阶段和教练反馈字段。
  • 3D pose 估计在示例中出现朝向误差，第一版 demo 应优先使用稳定 2D keypoints 与球路证据。

原始材料

  • raw/ingest/2026-05-16-bst-badminton-stroke-type-transformer/paper.pdf
  • raw/ingest/2026-05-16-bst-badminton-stroke-type-transformer/paper-text.md
  • raw/ingest/2026-05-16-bst-badminton-stroke-type-transformer/analysis.md
  • raw/ingest/2026-05-16-bst-badminton-stroke-type-transformer/page-previews-contact-sheet.png
  • raw/ingest/2026-05-16-bst-badminton-stroke-type-transformer/abstract.md
  • raw/ingest/2026-05-16-bst-badminton-stroke-type-transformer/related-work-trace.md
  • raw/ingest/2026-05-16-bst-badminton-stroke-type-transformer/links.yaml

相关页面

Metadata

{
  "id": "2026-05-16-bst-badminton-stroke-type-transformer",
  "type": "source",
  "title": "BST：面向羽毛球击球类型识别的骨架动作 Transformer",
  "status": "reviewed",
  "created": "2026-05-16",
  "updated": "2026-05-16",
  "venue": "arXiv",
  "published_at": "2025-02-28",
  "ingested_at": "2026-05-16",
  "tags": [
    "near-cvpr-2025",
    "video-understanding",
    "tracking",
    "representation-learning",
    "primary-source"
  ],
  "note_status": "reviewed",
  "source_type": "paper",
  "authors": [
    "Jing-Yuan Chang"
  ],
  "canonical_links": [
    "https://arxiv.org/abs/2502.21085",
    "https://arxiv.org/pdf/2502.21085v4",
    "https://arxiv.org/html/2502.21085v4"
  ],
  "raw_entry": "raw/ingest/2026-05-16-bst-badminton-stroke-type-transformer/",
  "topics": [
    "topics/sports-ai-video-understanding",
    "topics/sports-ai-roadmap",
    "topics/video-understanding"
  ],
  "entities": [
    "entities/sportsmot"
  ],
  "claims": [],
  "questions": [
    "questions/question-badminton-stroke-correction-demo"
  ]
}