LLLMWIKI
正文研究地图阅读入口元数据

来源笔记 · 更新于 2026-07-12

AthleticsPose真实田径动作的 3D 姿态与部署边界

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

一句话结论

AthleticsPose 用 subject-disjoint 户外田径数据把 H3.6M 模型 MPJPE 从 149.38 mm 降至 41.99 mm，并揭示侧视/大目标更可靠；但抬膝速度存在系统高估和个体关系失真，不能直接进入精细教练反馈。

论文定位

这是 AthletePose3D 的现实性压力测试：不提出新架构，而是用真实田径场动作、跨人协议、视角/尺度分解和运动学 case study 检验单目 3D pose 的部署边界。

数据集与标签

  • 采集 24 名大学运动员，清洗后表中为 23 subjects；15 男、9 女，19–26 岁。
  • 8 类：starting dash、sprint、distance running、racewalk、hurdle、shot put、discus、javelin。
  • 约 50 万多机位帧、6.25 万独立 3D poses、83 joints；户外田径场，8 台硬件同步相机。
  • 只有动作/3D pose/相机参数，无阶段、错误类型、技术质量分。
  • 只保留 83 点完整帧，提高标签完整性，但可能过滤最难遮挡案例。

方法与协议

  • ViTPose-base：COCO 预训练后领域微调；2D mAP 0.875→0.979。
  • MotionAGFormer-base：81 帧、100 epoch；比较 GT 2D、预训练 DET、微调 DET。
  • 按 subject 分 train/test，测试集按动作、日期与性别平衡；javelin 因仅 1 人不评测。
  • 运动学计算支撑腿膝角和最大 knee-drive velocity。

核心结果

训练/输入MPJPE / P-MPJPE (mm)
H3.6M，DET pre-trained149.38 / 98.80
AthletePose3D，GT115.91 / 88.36
AthleticsPose，DET pre-trained41.99 / 31.40
AthleticsPose，DET fine-tuned40.13 / 30.33
AthleticsPose，GT29.45 / 21.44
  • 投掷上肢最难：discus wrist 134.97 mm、shotput 100.49 mm。
  • side vs front/back：31.42 vs 36.34 mm MPJPE。
  • large/medium/small target：33.27/37.15/42.63 mm。
  • 膝角 RMSE 6.43°（side 4.82°、front/back 7.18°），但压缩个体差异并制造伪显著差异。
  • knee-drive velocity RMSE 0.77 m/s，所有 subject 系统性高估，未保留真实个体关系。

关键消融

训练域、2D 输入质量、动作/关节、机位、目标尺度均被分解。最重要发现是 GT→DET 差距远大于 DET 微调收益；视角与尺度分析有部署价值，但二者高度耦合，并非完全独立消融。

局限与泛化

  • subject split 降低身份泄漏，但不是 leave-one-action；所有测试动作在训练域内，javelin 无测试。
  • Theia3D 是工业 markerless 系统，且完整帧过滤可能低估遮挡难度。
  • “真实 vs 模仿”比较同时改变参与者、场地和分布，不能当作单变量因果。
  • 2D/3D 各一个代表模型，不能外推所有架构。

对羽毛球 demo 的迁移边界

应复用 athlete/session/court/camera-disjoint 协议，并按机位、人物尺度、动作阶段、末端关节报告误差；侧视固定机位可作为 demo 起点。不可直接迁移田径速度结论：羽毛球还需 racket/ball/contact keypoints，挥拍速度比 knee-drive 更难，必须单独验证且传播 pose 不确定性。

对 Wiki 判断的影响

  • 对 体育 AI 视频理解：真实体育域、视角与尺度决定 pose 可靠性，是直接支持。
  • 对 体育 AI 路线图：固定机位训练反馈是直接支持兼压力测试；自动纠错未被证明。
  • 对 视频理解：提供体育 pose 时序中间层的背景证据。

原始材料

  • 全文深分析
  • raw/ingest/2026-04-25-athleticspose/paper.pdf
  • raw/ingest/2026-04-25-athleticspose/paper-text.md
  • raw/ingest/2026-04-25-athleticspose/links.yaml
元数据
{
  "id": "2026-04-25-athleticspose",
  "type": "source",
  "title": "AthleticsPose：真实田径动作的 3D 姿态与部署边界",
  "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": "arXiv",
  "authors": [
    "Tomohiro Suzuki",
    "Ryota Tanaka",
    "Calvin Yeung",
    "Keisuke Fujii"
  ],
  "published_at": "2025-07-17",
  "ingested_at": "2026-04-25",
  "canonical_links": [
    "https://arxiv.org/abs/2507.12905",
    "https://arxiv.org/pdf/2507.12905.pdf"
  ],
  "raw_entry": "raw/ingest/2026-04-25-athleticspose/",
  "topics": [
    "topics/sports-ai-video-understanding",
    "topics/sports-ai-roadmap",
    "topics/video-understanding"
  ],
  "entities": [],
  "claims": [],
  "questions": []
}