ShuttleSet：用于羽毛球战术分析的人工标注击球级单打数据集

随着体育分析领域的近期进展，深度学习方法已证明在挖掘选手战术洞察以提升表现质量与观众参与度方面的有效性。这得益于公开真实标注数据集的可获得性。尽管已有少数可用于回合制运动动作检测的数据集，但这些数据集严重缺乏结构化源数据与击球级记录，因为这需要领域专家的高成本标注工作，且难以通过自动技术进行检测。因此，当现有模型应用于更具挑战性的结构化回合制序列时，人工智能方法的发展受到显著阻碍。在本文中，我们提出 ShuttleSet，这是最大的公开可用、带有标注击球级记录的羽毛球单打数据集。它包含 2018 至 2021 年间 44 场比赛中 27 名顶尖男子单打与女子单打选手的 104 局、3,685 个回合和 36,492 次击球。ShuttleSet 通过计算机辅助标注工具进行人工标注，以提升标注效率，并有效选择 18 种不同类别的击球类型、相应的击球位置以及每次击球时双方选手的位置。在实验中，我们提供了多个基准（即击球影响、击球预测与移动预测）及基线，以说明使用 ShuttleSet 进行回合制分析的实用性，期望能激发学术界与体育界的兴趣。在过去两年中，我们部署了一个可视化平台，用于展示 ShuttleSet 中分析案例的多样性，供教练通过人机交互界面深入探究选手的战术偏好，该平台亦在多场国际高水平赛事中被国家羽毛球队使用。