OSL-ActionSpotting: A Unified Library for Action Spotting in Sports Videos

动作识别在体育分析中至关重要，因为它能够精确地识别和分类体育比赛中的关键时刻，提供对于表现分析和战术决策至关重要的见解。然而，现有方法的碎片化阻碍了体育分析的进展，需要一个统一的代码库来支持动作识别在视频分析中的开发和部署。在本研究中，我们介绍了OSL-ActionSpotting，这是一个Python库，将不同的动作识别算法统一起来，以简化体育视频分析的研究和应用。OSL-ActionSpotting将各种最先进的技术封装成一个单一的、用户友好的框架，为多个数据集提供动作识别和分析的标准化流程。我们成功地将三种基石动作识别方法集成到OSL-ActionSpotting中，实现了与原始、不同代码库相匹配的性能指标。这个单一库内的统一保留了每种方法的有效性，并提高了研究人员和体育分析从业者的可用性和易用性。通过弥合不同动作识别技术之间的差距，OSL-ActionSpotting在体育视频分析领域做出了重要贡献，促进了增强的分析能力和协作研究机会。库的可扩展和模块化设计确保了其长期的相关性和适应未来技术进步的能力。

解决问题：该论文旨在解决运动分析中的动作检测方法分散的问题，提出了一个统一的Python库，以支持运动视频分析中的动作检测和分析。

关键思路：该论文提出了一个名为OSL-ActionSpotting的Python库，将不同的动作检测算法统一到一个框架中，提供标准化的过程，支持多个数据集的动作检测和分析。

其他亮点：论文将三种动作检测方法集成到OSL-ActionSpotting中，实现了与原始代码库相匹配的性能指标。该库的可扩展性和模块化设计确保了其长期的相关性和适应性。

相关研究：最近的相关研究包括《A Survey of Action Recognition and Detection Methods in Sports》、《Deep Learning for Action and Gesture Recognition in Image Sequences: A Survey》等。