1. 数据集简介
Diving48 是由 Li 等人在 2018 年提出的细粒度视频动作识别数据集，专注于竞技跳水动作的完整序列。每条视频都可以拆解为 起跳方式、空中动作、入水姿态 三个阶段，因而对时空建模提出了更高要求。
2. 数据规模与划分
- 总视频数：约 18 404 条（约 18 k 条剪辑）
- 训练集 / 测试集：训练 16 067 条，测试 2 337 条
- 每条时长：约 10 秒，均为裁剪后的完整跳水动作
- 场景：画面仅包含跳板、泳池和观众席，背景干净、无其他干扰对象
3. 类别与动作分解
- 类别数：48 类，分别对应 48 种不重复的跳水动作（如 3 米板前向翻腾 2 次、向后翻腾 1 次等）
- 动作结构：每个类别由 起跳类型、空中姿态（翻腾、扭转等）、入水姿势 三部分组合而成，要求模型能够捕捉细微的时序差异。
4. 数据获取方式
- 官方页面：
- 主站点（SVCL 实验室）:
http://www.svcl.ucsd.edu/projects/resound/dataset.html - 另一个可访问的镜像:
http://www.svc.ucsd.edu/projects/resound/dataset.html（同一页面的不同域名）
- 主站点（SVCL 实验室）:
- 页面提供 下载链接（需填写申请表），以及 数据划分说明、类别映射表、视频示例。
5. 研究中的常见使用场景
| 研究方向 | 典型工作 | 说明 |
|---|---|---|
| 多尺度时空建模 | Video‑ception、SlowFast、GST‑ResNet 等 | 将 Diving48 作为细粒度时序建模基准，验证长程依赖捕获能力 |
| 动作原子分解 | 3D‑Yoga、FinePseudo 等 | 通过先识别短时原子动作再组合长时序列，展示对起跳‑飞行‑入水三阶段的细粒度辨识 |
| 迁移学习评估 | 3D‑ResNet‑50、I3D 等 | 在 Diving48 上微调后评估模型在细粒度动作上的提升，常与 Kinetics、UCF‑101 等通用数据集对比 |
| 数据偏差分析 | Quantifying & Learning Static vs. Dynamic 信息 | 用于检验数据集是否偏向静态或动态特征，发现 Diving48 并非强动态偏置 |
这些工作表明 Diving48 已成为 细粒度体育动作识别 的重要基准，尤其在需要捕捉长时序依赖的模型评估中被广泛采用。
6. 相关链接与资源
- 原始论文（Li 等，2018）: “Diving48: A Fine‑grained Dataset for Competitive Diving”
- 数据集主页:
http://www.svcl.ucsd.edu/projects/resound/dataset.html - 下载页面（需登录或填写申请）: 同上提供的 “Download” 按钮
- MMACTION2 配置示例（常用于快速实验）: 在 MMACTION2 官方仓库的
configs/datasets/diving48/目录下可找到数据读取脚本和基准配置（可在 GitHub 上搜索 “mmaction2 diving48”） - 常用基准报告: 多篇 CVPR/ICCV/ACCV 论文中均报告了在 Diving48 上的 Top‑1/Top‑5 准确率，可作为模型对比的参考。
通过上述官方页面和公开论文，你可以获取完整的数据说明、下载链接以及常用的基准实现，便于在自己的研究或项目中直接使用。
声明：文章均为AI生成，请谨慎辨别信息的真伪和可靠性！