PATS：面向多视角运动技能评估的专业度感知时序抽样
计算机视觉与模式识别
2025-10-06 v5
摘要
自动化运动技能评估需要捕获区分专家与初学者表现的基本运动模式，而当前的视频抽样方法会破坏对专业度评估所必需的时序连续性。为此，我们引入专业度感知时序抽样(Proficiency-Aware Temporal Sampling, PATS)，这是一种新颖的抽样策略，旨在保持多视角技能评估中关键性能组件完整执行的连续时序段。PATS 会自适应地对视频进行分段，确保每个分析片段包含完整的关键性能组件的执行，并在多个片段中重复此过程以最大化信息覆盖，同时保持时序连贯性。在 EgoExo4D 数据集上使用 SkillFormer 进行评估，PATS 在所有观察配置下均超越了最新方法 (+0.65%至 +3.05%)，在挑战性领域（如 bouldering、music、basketball）中实现显著提升（+26.22%、+2.39%、+1.13%）。系统分析表明，PATS 能成功地针对不同活动特征进行自适应——从动态运动项目的高频抽样到顺序技能的细粒度分段——证明其作为一种自适应时序抽样方法，为实际应用中的自动化技能评估提供了有效方案。访问我们的项目页面 https://edowhite.github.io/PATS
引用
@article{arxiv.2506.04996,
title = {PATS: Proficiency-Aware Temporal Sampling for Multi-View Sports Skill Assessment},
author = {Edoardo Bianchi and Antonio Liotta},
journal= {arXiv preprint arXiv:2506.04996},
year = {2025}
}
备注
Accepted at the 2025 4th IEEE International Workshop on Sport Technology and Research. Visit our project page at https://edowhite.github.io/PATS