LLLMWIKI
ArticleResearch mapReading portalMetadata

Source note · Updated 2026-07-12

AthletePose3D高速竞技动作的 3D 姿态与运动学验证

#near-cvpr-2025#video-understanding#benchmarking#primary-source

一句话结论

体育域数据把 TCPFormer 在 AthletePose3D 上的 MPJPE 从 213.64 mm 降到约 65 mm，但所有运动学波形仍与真值显著不同，尤其 3D 速度相关仅 0.12–0.29；它支持“姿态是训练反馈的中间层”，不支持“单目视频可替代 MoCap”。

论文定位

数据集覆盖 3 类项目、12 类高速动作，并把 2D/3D pose benchmark 接到关节角和速度波形验证。贡献以数据集与评测为主，不是新姿态架构。

数据集与标签

  • 8 名运动员，约 130 万多机位视频帧、16.5 万个独立 3D posture。
  • 跑步、田径投掷、花样滑冰共 12 类动作；55/86 关键点，60–120 FPS，4/8/12 台硬件同步相机。
  • 只有动作类型、连续 3D pose 与运动学；无阶段、技术错误或质量分。
  • 跑步和田径表中标为 lab，不能把全部数据笼统称为比赛现场。

方法与协议

  • 2D：HRNet、SwinPose、ViTPose、UniFormer、MogaNet；PDJ/PDJ-AUC/AP。
  • 3D：MotionAGFormer、TCPFormer，81 帧 2D-to-3D lifting；MPJPE/P-MPJPE。
  • 60/20/20 train/validation/test，但正文未明确是否 athlete/trial/camera-disjoint；姿态主表报告 validation，运动学用 test。
  • MogaNet/TCPFormer 输出经 8 Hz 滤波，再用 SPM paired t-test 和 Pearson 相关比较真值波形。

核心结果

  • MogaNet：[email protected] 95.7、PDJ-AUC 81.7；ViTPose AP 最高 95.8。
  • TCPFormer MPJPE：H3.6M 213.64；AP3D 65.80；H3.6M+AP3D 65.07 mm。
  • 最佳设置 ankle 仍有 117.28 mm 误差。
  • 3D 关节角上/下肢相关 0.89/0.81；速度仅 0.29/0.12。
  • 全部波形比较均 $p<0.05$，说明相关高不等于波形无系统偏差。

关键消融

训练数据域的影响远大于 MotionAGFormer/TCPFormer 架构差异；混合 H3.6M+AP3D 相对 AP3D-only 只带来小幅增益。2D/3D、角度/速度对比则证明位置精度不能自动保证高阶运动学可靠。

局限与泛化

  • 仅 8 人，田径只有 1 人；跨人、跨项目结论弱。
  • split 分组粒度不透明，多机位同一时刻是否跨 split 需要复核。
  • P-MPJPE 约 8 mm 与 MPJPE 约 65 mm 差距大，训练反馈应优先看不经对齐的绝对误差。
  • 无多人对抗、球拍/球遮挡；速度指标尚不足以支持高速末端链条诊断。

对羽毛球 demo 的迁移边界

可迁移的是高帧率多机位真值、pose→关节角波形接口和运动学误差评测。不可直接迁移的是动作标签与反馈：需增加球拍/球/触球帧、stroke 阶段和错误标签，并采用 athlete/session/court/camera-disjoint。现阶段宜输出阶段与角度趋势，不宜给出挥拍速度或毫米级诊断。

对 Wiki 判断的影响

原始材料

  • 全文深分析
  • raw/ingest/2026-04-25-athletepose3d/paper.pdf
  • raw/ingest/2026-04-25-athletepose3d/paper-text.md
  • raw/ingest/2026-04-25-athletepose3d/links.yaml
Metadata
{
  "id": "2026-04-25-athletepose3d",
  "type": "source",
  "title": "AthletePose3D：高速竞技动作的 3D 姿态与运动学验证",
  "status": "reviewed",
  "created": "2026-04-25",
  "updated": "2026-07-12",
  "tags": [
    "near-cvpr-2025",
    "video-understanding",
    "benchmarking",
    "primary-source"
  ],
  "note_status": "reviewed",
  "source_type": "paper",
  "venue": "CVPR Workshop 2025",
  "authors": [
    "Calvin Yeung",
    "Tomohiro Suzuki",
    "Ryota Tanaka",
    "Zhuoer Yin",
    "Keisuke Fujii"
  ],
  "published_at": "2025-06-01",
  "ingested_at": "2026-04-25",
  "canonical_links": [
    "https://openaccess.thecvf.com/content/CVPR2025W/CVSPORTS/html/Yeung_AthletePose3D_A_Benchmark_Dataset_for_3D_Human_Pose_Estimation_and_CVPRW_2025_paper.html",
    "https://openaccess.thecvf.com/content/CVPR2025W/CVSPORTS/papers/Yeung_AthletePose3D_A_Benchmark_Dataset_for_3D_Human_Pose_Estimation_and_CVPRW_2025_paper.pdf"
  ],
  "raw_entry": "raw/ingest/2026-04-25-athletepose3d/",
  "topics": [
    "topics/sports-ai-video-understanding",
    "topics/sports-ai-roadmap",
    "topics/video-understanding"
  ],
  "entities": [],
  "claims": [],
  "questions": []
}