/ Модель

Характеристики

Библиотека
pytorch
Опубликована
9 окт 2026

JVC

Классификация видеоВидео → label

JVC классифицирует типы ударов в бадминтоне по 16-кадровому клипу, объединяя признаки видео и скелетных суставов.

52скачиваний за 30 дней0лайковвеса обновлены9 окт 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

JVC — модель для распознавания типов ударов в бадминтоне на коротких видеоклипах. Основной чекпойнт опубликован Navneeth Dhamotharan и Bin Han в рамках работы для воркшопа ECCV 2026 о распознавании действий по движениям человека.

Модель анализирует 16 кадров видеоклипа двумя потоками: R(2+1)D обрабатывает RGB-изображения, а четырёхпоточный SkateFormer — суставы скелета, полученные MediaPipe. Слои перекрёстного внимания связывают суставы с визуальными признаками, после чего пространственно-временный трансформер объединяет информацию по клипу. Основная задача — классификация девяти типов ударов; также чекпойнт выдаёт оценки техники, размещения мяча, позиции, намерения и качества. На валидационном разделении FineBadminton-20K точность для типа удара составила 80,61%.

Для запуска нужны 16 нормализованных RGB-кадров размером 224×224 и соответствующие координаты 33 суставов MediaPipe на каждом кадре. Модель выдаёт логиты классов. Чекпойнт опубликован в формате PyTorch; лицензия и сведения о коммерческом использовании в предоставленных данных не указаны.

Сценарии применения

  • классификация типа удара в бадминтоне по видеоклипу
  • анализ техники игрока в бадминтоне
  • оценка позиции и намерения игрока по движению
  • разметка размещения мяча и качества удара
  • создание аналитики тренировок по коротким видео

Ограничения

Модель рассчитана на клипы из 16 кадров и требует одновременно RGB-кадры и координаты суставов MediaPipe в ожидаемом формате. Указанная точность 80,61% получена на валидационном разделении FineBadminton-20K и сама по себе не гарантирует такое же качество на других данных.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

JVC

Main checkpoint for JVC: Joint Vision Cross-Attention for Fine-Grained Badminton Stroke Recognition (PDF). Navneeth Dhamotharan and Bin Han, ECCV 2026 Workshop: Human Motion-Informed World Models and Socially Intelligent Action, 2026.

The released weight is the joint-vision cross-attention model.

A 16-frame hit clip goes through two encoders: R(2+1)D Conv3D for RGB patches, and a four-stream SkateFormer for MediaPipe joints. Joint tokens cross-attend to visual patches, a divided space–time transformer mixes the clip, and contact-weighted pooling feeds multitask heads. The paper metric is 9-way stroke_type.

Val stroke_type accuracy80.61% (epoch 18)
SplitVideo-level 80/20, seed 42. No clip from a validation video is in training.
DatasetFineBadminton-20K
Frames16, span_linspace over the hit span, 224×224, ImageNet normalization
SkeletonMediaPipe, 33 joints × (x, y, z), four-stream (joint, bone, joint-motion, bone-motion)
PaperJVC: Joint Vision Cross-Attention for Fine-Grained Badminton Stroke Recognition
Demoisocourt.fit

Stroke classes, in logit order: Serve, Clear, Smash, Drop, Drive, Net_Shot, Lob, Defensive_Shot, Other.

The checkpoint also emits logits for technique, placement, position, intent, and quality. stroke_type is the number reported above.

Try the demo

Upload a clip at isocourt.fit.

Weights

from huggingface_hub import hf_hub_download

path = hf_hub_download("navneethdg/JVC", "jvc.pth")

frames is (batch, 16, 3, 224, 224) float RGB after ImageNet normalization (mean = (0.485, 0.456, 0.406), std = (0.229, 0.224, 0.225)). pose is (batch, 16, 33, 3) in the same layout as the training MediaPipe cache. Heads return logits, not probabilities.

Files

FileRole
jvc.pthCheckpoint. Constructor metadata sits beside the weights.
config.jsonArchitecture, label names, and metric.

What this weight is

Vision backbone r2plus1d_18 (conv3d), embed dim 128, 2 cross-attention layers, 4 divided space–time blocks, four-stream skeleton. Shuttle features are off.

No-cross-attention JVC ablations are separate runs and are not this file.

Citation

@inproceedings{
dhamotharan2026jvc,
title={{JVC}: Joint Vision Cross-Attention for Fine-Grained Badminton Stroke Recognition},
author={Navneeth Dhamotharan and Bin Han},
booktitle={ECCV26 Workshop: Human Motion-Informed World Models and Socially Intelligent Action},
year={2026},
url={https://openreview.net/forum?id=XJEhcXfwEe}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · pytorch · video-classification

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
564159a

0 моделей