LLLMWIKI
正文研究地图阅读入口元数据

来源笔记 · 更新于 2026-07-12

FineGym体操视频的层级细粒度动作理解

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

一句话结论

FineGym 用 event→set→element 和 action→sub-action 层级证明：粗粒度体操识别可用少量帧和背景捷径，但细粒度 element 需要密集时序、motion 与长尾评测；sub-action localization 平均 mAP 仅 9.6，pose 前端在高速翻腾中也频繁漏检。

论文定位

这是体育细粒度动作理解的数据/协议锚点，不是 AQA 方法。它系统比较 RGB、flow、two-stream、3D CNN、时序模型、skeleton 与 temporal localization，重点揭示 coarse→fine 的能力断层。

数据集与标签

  • 303 场官方比赛记录，约 708 小时；超过 95% 为 720p/1080p。
  • 10 event、15 set、530 定义的 element，其中 354 类有实例；天然长尾，单类 1–1,648 样本。
  • 4,883 个完整 action、32,697 个 sub-action；sub-action 通常少于 2 秒。
  • 4 个女子项目细标：Vault、Floor、Balance Beam、Uneven Bars。
  • element 用官方 codebook 与属性决策树标注；路径含动作属性和 difficulty value。
  • difficulty 是规范难度，不是执行质量分；数据没有裁判执行分或错误标签。

方法与任务接口

  • event/set：TSN RGB/flow/two-stream。
  • element：ActionVLAD、TSN、TRN、TSM、I3D、Non-local I3D、ST-GCN。
  • localization：SSN 定位 action 与 sub-action。
  • pose：ST-GCN 依赖估计 skeleton，但 intense motion 中检测/姿态漏检。
  • auto-scoring 只在未来应用讨论，不能把 FineGym 当 AQA benchmark。

核心结果

  • TSN two-stream event mean/top-1 98.47/99.86，set 91.97/97.69；3 帧不足总帧 5% 也够粗识别。
  • Gym99：TSM two-stream mean/top-1 81.2/88.4；TSN 75.6/84.7。
  • Gym288 长尾下，TSM two-stream mean 46.5 但 top-1 83.1，显示头部类掩盖尾部失败。
  • ST-GCN 在 Gym99 仅 25.2/36.4，远低于 RGB/flow，pose 不是无损中间层。
  • SSN action localization 平均 mAP 49.4；sub-action 仅 9.6；tIoU 0.9 时 sub-action mAP 0.6。

关键消融

  • TSN 在 Gym99 用 1/3/5/7/12 帧：35.46/61.4/70.8/74.4/78.82，约 12 帧才饱和；稀疏采样不够。
  • RGB→flow→two-stream 显示粒度越细越依赖 motion，但通常仍需融合外观。
  • 打乱 TRN 测试帧显著降分；TSM 对 train/test 帧数不匹配敏感，证明时序顺序关键。
  • Kinetics 预训练 I3D 在 FineGym 并非总优于 ImageNet；这是图示型压力测试，不应外推为“视频预训练无用”。

局限与泛化

  • 主文未清楚说明 split 是否按比赛/运动员/原视频分组；长视频切块可能产生背景、身份、转播泄漏。
  • 仅 354/530 element 有样本，Gym99 是筛选平衡子集，不代表完整 taxonomy。
  • 官方顶级赛事域不能代表训练馆、手机、青少年或低光环境。
  • FIG codebook 与 difficulty 随规则版本变化，跨年份需版本化。
  • 2020 基线是 benchmark 起点，不是当前性能上限。

对羽毛球 demo 的迁移边界

可迁移层级标签与属性决策树：回合/击球类型/技术元素，另标准备、引拍、击球、随挥、回位；必须密集采样并报告 mean-class、长尾分桶和严格 tIoU。不可直接复用评分：需新增 ball/racket/contact、执行质量和 coach rubric，并采用 athlete/session/court/camera-disjoint；RGB/flow/pose/球拍球应融合且传播 pose 不确定性。

对 Wiki 判断的影响

  • 对 体育 AI 视频理解：层级语义、密集时序和长尾评测是直接支持。
  • 对 体育 AI 路线图：动作/阶段层是奠基支持；训练评分只属背景。
  • 对 视频理解：对 sparse sampling、motion、temporal order 和 coarse pretraining 的边界提供压力测试。

原始材料

  • 全文深分析
  • raw/ingest/2026-04-25-finegym/paper.pdf
  • raw/ingest/2026-04-25-finegym/paper-text.md
  • raw/ingest/2026-04-25-finegym/links.yaml
元数据
{
  "id": "2026-04-25-finegym",
  "type": "source",
  "title": "FineGym：体操视频的层级细粒度动作理解",
  "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 2020",
  "authors": [
    "Dian Shao",
    "Yue Zhao",
    "Bo Dai",
    "Dahua Lin"
  ],
  "published_at": "2020-06-01",
  "ingested_at": "2026-04-25",
  "canonical_links": [
    "https://openaccess.thecvf.com/content_CVPR_2020/html/Shao_FineGym_A_Hierarchical_Video_Dataset_for_Fine-Grained_Action_Understanding_CVPR_2020_paper.html",
    "https://openaccess.thecvf.com/content_CVPR_2020/papers/Shao_FineGym_A_Hierarchical_Video_Dataset_for_Fine-Grained_Action_Understanding_CVPR_2020_paper.pdf"
  ],
  "raw_entry": "raw/ingest/2026-04-25-finegym/",
  "topics": [
    "topics/sports-ai-video-understanding",
    "topics/sports-ai-roadmap",
    "topics/video-understanding"
  ],
  "entities": [],
  "claims": [],
  "questions": []
}