UCF体育数据集包括从各种体育运动中收集的一系列动作，这些动作通常在广播电视频道（如BBC和ESPN）上播出。视频序列来自各种素材网站，包括BBC Motion gallery和GettyImages。

该数据集共包含150个序列，分辨率为720 x 480.该集合代表了各种场景和视点中的自然行动池。通过发布数据集，我们希望鼓励在无约束的环境中进一步研究这类动作识别。自推出以来，该数据集已被用于众多应用，例如：动作识别，动作定位和显着性检测。

数据集操作

数据集包括以下10个操作。上图显示了所有十个动作的示例框架，以及以黄色显示的人类边界框注释。

Diving（14个视频）
Golf Swing（18个视频）
Kicking（20个视频）
Lifting（6个视频）
Riding Horse（12个视频）
Running（13个视频）
SkateBoarding（12个视频）
Swing-Bench（20个视频）
Swing-Side（13个视频） ）
散步（22视频）

数据集摘要

下表总结了数据集的特征。

图：UCF Sports的特征总结。

统计

下图显示了每个操作的剪辑数量的分布，因为每个类中的剪辑数量不同。

图：每个操作类的剪辑数。

下图说明了每个动作类的剪辑总持续时间（蓝色）和平均剪辑长度（绿色）。显然，与步行或跑步相比，某些动作本质上是短的，例如踢腿，其相对较长并且具有更多的周期性。但是，从图表中可以明显看出，动作片段的平均持续时间在不同类别中表现出很大的相似性。因此，仅考虑一个剪辑的持续时间将不足以识别动作。

图：每个动作类的视频剪辑总时间以蓝色显示。每个动作的平均剪辑长度以绿色显示。

推荐的实验设置

• 行动认可

  Leave-One-Out（LOO）交叉验证方案：建议如[1]中所述，通过使用Leave-One-Out（LOO）交叉验证方案在UCF Sports上进行测试。此场景采用一个示例视频进行测试，并使用动作类的所有剩余视频进行训练。这是以循环方式对每个样本视频执行的，并且通过平均所有迭代的准确度来获得总体准确度。

• 行动本地化

  训练/测试分裂：建议使用[*]中建议的训练/测试分组。拟议的实验设置将数据集分成两个不均匀的部分：三分之二的视频用于培训，三分之一用于测试。为了计算准确度，使用交叉结合标准来绘制具有特定重叠阈值的ROC曲线。交叉联合计算预测的边界框和地面实况之间的重叠，并将其除以每个边界的两个边界框的并集。然后，该值在视频中的所有帧上取平均值。20％的重叠阈值用于该实验。针对重叠阈值的曲线下面积（AUC）（其示出了在阈值改变时性能如何变化）用于计算最终性能。要计算重叠，

  
  

  [*] Tian Lan，Yang Wang和Greg Mori，用于联合行动本地化和识别的以图形为中心的模型，IEEE国际计算机视觉会议（ICCV），2011。