TemPose-TF-ASF：基于双向笔画上下文融合的羽毛击球分类
计算机视觉与模式识别
2026-05-07 v2
摘要
准确的羽毛击球动作预测对细粒度运动分析和战术决策支持至关重要。然而，现有方法难以建模丰富的时序上下文。本文提出了 TemPose-TF-ASF（Adjacent-Stroke Fusion），作为 TemPose 的一种上下文感知扩展。通过纳入前后续击球动作类型的信息，增强了动作识别能力。采用两阶段训练和推理策略。基线模型的初步预测被重用作为估计的时序上下文。这些预测引导 ASF 模块和分类器的联合优化。通过显式建模双向时序击球依赖关系，所提方法可无缝集成到现有最先进模型中。在大型羽毛球比赛数据集上实验表明，相较于基线及其变体，在准确率和 Macro-F1 方面均实现了持续的改进。此外，将 ASF 集成到其他先进方法后，性能提升显著。这些结果显示出强大的可迁移性和泛化能力。
引用
@article{arxiv.2605.02558,
title = {TemPose-TF-ASF: Two-Stage Bidirectional Stroke Context Fusion for Badminton Stroke Classification},
author = {Tzu-Yu Liu and Duan-Shin Lee},
journal= {arXiv preprint arXiv:2605.02558},
year = {2026}
}