一句话结论
TrackNet 奠定“连续帧 → 像素 heatmap → 球坐标”的高速小目标 tracking 路线；网球单次随机帧切分 F1 达 98.5%，但 10-fold 降至 84.3%，羽毛球专训 F1 仅 68.7%，所以它是历史锚点而非当前羽毛球 demo 的成熟终点。
论文定位与任务边界
TrackNet 做 ball/shuttle tracking，不是球员 MOT、球场/3D trajectory reconstruction 或 action quality assessment。连续帧仅帮助定位最后一帧；没有显式状态估计、相机标定、物理轨迹和动作评分。
方法概述
- VGG-16 前段卷积 + 对称 DeconvNet，输出同分辨率 heatmap。
- 比较 1 帧 Model I 与 3 帧 Model II；三帧预测最后一帧。
- 真值是坐标中心的二维高斯（σ²=10）；每像素预测 256 灰度类别。
- heatmap 阈值 128 后用 Hough Gradient 找唯一圆并取中心。
- 输入 640×360，Adadelta、batch 2、500 epochs。
数据与标注
网球来自 2017 Summer Universiade 男单决赛，81 clips / 20,844 帧；visibility 分不在画面、清晰、难辨、遮挡，并标 X/Y 与 flying/hit/bouncing。另从 9 个场地加入 16,118 帧。羽毛球来自 2018 Indonesia Open 女单决赛，18,242 帧，只标 presence 与 X/Y。拖影均以运动方向“最新位置”为标签，属于特定操作性定义。
核心实验
| 方法 | Precision | Recall | F1 |
|---|---|---|---|
| 传统 Archana | 92.5 | 74.5 | 82.5 |
| TrackNet Model I（1 帧） | 95.7 | 89.6 | 92.5 |
| TrackNet Model II（3 帧） | 99.8 | 96.6 | 98.2 |
| Model II'（扩充训练） | 99.7 | 97.3 | 98.5 |
1→3 帧是最关键消融，支持 temporal context。Model II 在仅 7 个遮挡帧中命中 2 个，样本不足以形成强遮挡结论。Model II' 的 10-fold cross-validation 为 95.3/75.7/84.3，显著低于单次随机 split。
羽毛球方面，网球模型直接迁移为 75.8/22.9/35.2；羽毛球专训为 85.0/57.7/68.7。领域专训有效，但 recall 57.7% 说明严重断轨。
局限或疑问
- 原实验随机按帧 70/30，同一 rally 相邻帧可能跨 train/test；三帧输入放大近重复泄漏。
- 10-fold F1 比单 split 低 14.2 个百分点，泛化证据应以较保守数字理解。
- 羽毛球只有一场比赛，且作者称 precision 85% 足够描绘全部轨迹，与 recall 57.7% 矛盾。
- 网球 5 像素、羽毛球 7.5 像素阈值不同，不能直接比较。
- Hough 唯一圆假设不适合非球形 shuttle、强拖影和多球。
- 没有轨迹连续性、hit-frame、速度、跨场馆或移动镜头评估。
真实 10 样本 demo 价值
中低：历史 baseline / failure benchmark。 10 个 clip 必须按整段留出，观察多帧对拖影和高速 stroke 的帮助，报告 recall、最大断轨与 hit-window 连续性。正式前端优先 TrackNetV3/V4；原始 TrackNet 可展示迭代价值。它不能直接评价羽毛球动作质量。
对当前 Wiki 判断的影响
- 奠基支持：高速体育小目标需要多帧上下文和 heatmap 表示。
- 反向约束：早期高网球数字受随机帧切分影响，不能外推为跨比赛泛化；羽毛球 tracking 在 2019 版本远未解决。
- 不支持：轨迹重建或动作质量评分。
- 与 sources/2026-04-25-tracknetv3、sources/2026-05-05-tracknetv4-motion-attention-maps 构成清晰演进：基础 heatmap → augmentation/repair → motion-aware fusion。
证据评级：B（历史奠基；羽毛球证据弱）。