基于生物力学相位的运动视频时序分段：以掷棒为例
计算机视觉与模式识别
2025-09-30 v1
摘要
对运动轨迹的精确分析是运动分析的核心，尤其在生物力学相位直接影响绩效的项目中更为重要。传统分析技术依赖人工标注或实验室仪器，耗时耗力且缺乏可扩展性。自动提取相关动力学变量需要稳健且符合语境的时序分段。针对 elite 掷棒项目，我们提出一种新颖的无监督框架进行语境感知的分段，将结构最优输运（SOT）概念引入并增强著名的基于注意力的时空图卷积网络（ASTGCN），从而在无需昂贵人工标注的情况下识别运动相位转换。实验表明，该方法在测试数据上实现了 71.02% 的平均精度（mAP）和 74.61% 的 F1 分数，显著优于现有无监督方法。我们还发布了一个包含 211 部专业掷棒视频的数据集，包含帧级标注，覆盖关键生物力学相位：approach 步骤、drive、throw 与 recovery。
引用
@article{arxiv.2509.24606,
title = {Biomechanical-phase based Temporal Segmentation in Sports Videos: a Demonstration on Javelin-Throw},
author = {Bikash Kumar Badatya and Vipul Baghel and Jyotirmoy Amin and Ravi Hegde},
journal= {arXiv preprint arXiv:2509.24606},
year = {2025}
}
备注
This paper has been accepted at the IEEE STAR Workshop 2025