LLLMWIKI
正文研究地图阅读入口元数据

来源笔记 · 更新于 2026-07-12

Sports-QA复杂专业体育视频问答基准

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

Sports-QA：专业体育视频的多尺度问答基准

来源：IJCV 2026
全文深读：analysis.md

一句话结论

Sports-QA 用 94,073 个模板化 QA pairs 评估描述、时间、因果和反事实体育问答；AFT accuracy/F1 为 59.2/25.6%，证明问题条件化时间尺度选择有小幅收益，也显示闭集专业问答仍受长尾答案、模板先验与时序理解限制。

数据集

  • 94,073 QA pairs；
  • 约 6K videos；
  • 来源 MultiSports 与 FineGym；
  • 篮球、足球、排球及多类体操；
  • Split 60%/20%/20%；
  • Questions：Description、Temporal、Causal、Counterfactual；
  • 基于 action labels、attributes 和 templates 自动生成，再人工质控。

同一 sport 的视频随机分配，未明确 athlete、competition、original-video 或 broadcast grouping，存在来源泄漏风险。

Auto-Focus Transformer

  • ResNet appearance + I3D motion features；
  • 构造 global/local 多尺度 temporal representations；
  • Auto-Focus Attention 根据 question 动态选择时间尺度；
  • GloVe/BERT 和 LSTM/Transformer 编码问题；
  • 输出闭集 answer class。

模型不输出支撑帧、action tube、自然语言解释或 calibrated confidence。

核心结果

方法AccuracyF1
BlindQA43.714.9
HGA58.324.5
HQGA57.925.0
IGV58.524.8
Baseline58.023.7
AFT59.225.6

GloVe AFT 分项：Description 78.9、Temporal 35.3、Causal 55.1、Counterfactual 56.3。Temporal 是明显瓶颈。BERT AFT 为 59.1/25.4。

AFT 相对同作者 baseline 提升约 1.2 accuracy 与 1.5–1.9 F1，支持多尺度 focus，同时增益幅度有限。BlindQA 仍达 43.7 accuracy，说明 question-only priors 存在。

证据边界

  • QA 语言主要由模板生成；
  • 因果/反事实来自预定义规则关系；
  • Random video split 未证明身份与源视频隔离；
  • 闭集分类不评解释、证据引用与拒答；
  • Macro-F1 约 25%，长尾答案仍弱；
  • 不含最新长视频 MLLM；
  • 未报告 human upper bound、校准、GPU-hours 和 latency；
  • 不提供 pose、shuttle、racket、contact 或质量分。

对羽毛球 demo 的影响

可借用四类 query taxonomy 与 question-conditioned multi-scale context。羽毛球 QA 应建立在结构化 evidence 上，例如 contact frame、phase、pose 与 trajectory；回答必须回链证据。Question-only baseline 应用于检测模板泄漏。

建议层级：

structured evidence → temporal retrieval → constrained QA/NLG

Sports-QA 不能直接作为教练纠错或裁判能力证据。

证据评级

  • 体育 VideoQA benchmark：A-
  • 多尺度时间选择：B+
  • 因果/反事实：B-（模板定义）
  • 羽毛球纠错：C+

原始材料

  • raw/ingest/2026-05-05-sports-qa-video-question-answering/paper.pdf（19 页）
  • raw/ingest/2026-05-05-sports-qa-video-question-answering/paper-text.md（2,770 行）
  • raw/ingest/2026-05-05-sports-qa-video-question-answering/analysis.md

相关页面

元数据
{
  "id": "2026-05-05-sports-qa-video-question-answering",
  "type": "source",
  "title": "Sports-QA：复杂专业体育视频问答基准",
  "status": "reviewed",
  "created": "2026-05-05",
  "updated": "2026-07-12",
  "venue": "International Journal of Computer Vision 2026",
  "published_at": "2026-05-01",
  "ingested_at": "2026-05-05",
  "tags": [
    "near-cvpr-2025",
    "video-understanding",
    "vision-language",
    "benchmarking",
    "primary-source"
  ],
  "note_status": "reviewed",
  "source_type": "paper",
  "authors": [
    "Haopeng Li",
    "Andong Deng",
    "Jun Liu",
    "Hossein Rahmani",
    "Yulan Guo",
    "Bernt Schiele",
    "Mohammed Bennamoun",
    "Qiuhong Ke"
  ],
  "canonical_links": [
    "https://link.springer.com/article/10.1007/s11263-026-02734-1",
    "https://link.springer.com/content/pdf/10.1007/s11263-026-02734-1.pdf",
    "https://doi.org/10.1007/s11263-026-02734-1",
    "https://arxiv.org/abs/2401.01505"
  ],
  "raw_entry": "raw/ingest/2026-05-05-sports-qa-video-question-answering/",
  "analysis_note": "raw/ingest/2026-05-05-sports-qa-video-question-answering/analysis.md",
  "topics": [
    "topics/sports-ai-video-understanding",
    "topics/sports-ai-roadmap",
    "topics/video-understanding"
  ],
  "entities": [
    "entities/sportsmot"
  ],
  "claims": [],
  "questions": [
    "questions/question-badminton-stroke-correction-demo"
  ]
}