BMASH: Ball-Motion-Aware Soccer Header Spotting
University of Jyväskylä（于韦斯屈莱大学）；Aristotle University of Thessaloniki（塞萨洛尼基亚里士多德大学）
本文提出BMASH框架，融合Video Swin动作识别与球检测特征，提升足球头球检测性能，在片段级指标上优于基线，并在全视频检测中实现可比的F1性能。
2026-10-01 cs.CV
Camera Calibration and Player Localization in SoccerNet-v2 and Investigation of their Representations for Action Spotting
University of Liège（列日大学）；EVS Broadcast Equipment（EVS广播设备公司）；KAUST（阿卜杜拉国王科技大学）
足球转播视频理解近年来在数据科学家和工业公司中引起了广泛关注。这主要是由于计算机视觉领域开发的有效深度学习技术所释放的利润潜力。在这项工作中，我们专注于相机校准的主题，并在其目前的局限性，为科学界。更确切地说，我们解决了缺乏大规模校准数据集和在这样的数据集上训练的公共校准网络的问题。具体来说，我们在最近的神经网络架构上的大规模SoccerNet数据集上提取了一个强大的商业校准工具，该数据集由500场足球比赛的未经修剪的广播视频组成。我们进一步发布了我们的蒸馏网络，并利用它提供了3种表示校准结果以及玩家本地化的方法。最后，我们利用这些表示在当前最好的体系结构的动作发现任务的SoccerNet-v2，并实现新的国家的最先进的性能。
2021-04-19 cs.CV
Temporally Precise Action Spotting in Soccer Videos Using Dense Detection Anchors
Yahoo Research（雅虎研究院）；Walmart Labs（沃尔玛实验室）
我们提出了一个模型，用于在视频中的时间精确的动作定位，它使用一组密集的检测锚，预测每个锚的检测置信度和相应的细粒度的时间位移。我们实验了两个主干架构，这两个架构都能够将大的时间上下文，同时保留精确定位所需的小规模的功能：一维版本的U-网，和一个Transformer编码器（TE）。我们还建议通过应用Sharpness-Aware Minimization（SAM）和mixup数据增强来训练这种模型的最佳实践。我们在SoccerNet-v2上实现了一个新的最先进的技术，SoccerNet-v2是同类中最大的足球视频数据集，在时间定位方面有显着的改进。此外，我们的消融显示：预测时间位移的重要性; u-网络和TE干线之间的权衡;以及SAM和混合训练的好处。
2022-07-11 cs.CV
FOOTPASS: A Multi-Modal Multi-Agent Tactical Context Dataset for Play-by-Play Action Spotting in Soccer Broadcast Videos
Center for Robotics, Mines Paris - PSL（机器人中心，巴黎-PSL Mines）
FOOTPASS数据集旨在通过多模态和多智能体战术上下文，实现足球比赛视频中play-by-play动作的自动化识别与可靠提取。
2025-11-20 cs.AI cs.CV
Survey of Action Recognition, Spotting and Spatio-Temporal Localization in Soccer -- Current Trends and Research Perspectives
NASK - National Research Institute（国家研究 institute）；Faculty of Mathematics and Information Science, Warsaw University of Technology（数学与信息科学学院，华沙技术大学）；Faculty of Physics and Applied Computer Science, AGH University of Science and Technology（物理与应用计算机科学学院，AGH科技大学）
本文综述足球动作场景理解任务，涵盖动作识别、检测与时空定位，重点介绍多模态方法、公开数据源及评估指标，回顾相关技术并指出未来方向，为研究者提供参考。
2023-09-21 cs.AI cs.CV cs.LG
Temporally-Aware Feature Pooling for Action Spotting in Soccer Broadcasts
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）
为了实现体育广播节目自动制作的目标，一项重要的任务是理解比赛中的高层次语义信息。例如，识别和本地化游戏的主要动作将允许制作人调整和自动化广播制作，专注于游戏的重要细节，并最大限度地提高观众的参与度。在本文中，我们专注于我们的分析在足球转播，这包括在时间上本地化的主要行动在足球比赛中的动作发现。为此，我们提出了一种新的特征池方法的基础上NetVLAD，称为NetVLAD++，嵌入时间感知知识。与以前的池化方法不同的是，我们将时间上下文视为一个单独的集合来进行池化，我们在动作发生之前和之后将上下文分开。我们认为，将动作点周围的上下文信息视为单个实体会导致池化模块的次优学习。使用NetVLAD++，我们将上下文从过去和未来的框架中分离出来，并为每个子集学习特定的语义词汇，避免在时间上混合和模糊这些词汇。注入这样的先验知识会创建更多信息的池化模块和更多有区别的池化特征，从而更好地理解动作。我们在最近的大规模数据集SoccerNet-v2上对我们的方法进行了训练和评估，达到了53.4%的平均mAP，比当前最先进的方法提高了12.7%。
2021-04-14 cs.CV
ASTRA: An Action Spotting TRAnsformer for Soccer Videos
Universitat de Barcelona（巴塞罗那大学）；Computer Vision Center（计算机视觉中心）；Aalborg University（奥尔堡大学）
提出基于 Transformer 的足球视频动作定位模型 ASTRA，通过编解码架构、均衡 mixup、不确定性位移头和音频融合应对精确定位、长尾分布、不可见动作与标签噪声，并在 SoccerNet 2023 获第三名。
2024-04-02 cs.CV
SoccerNet-v2: A Dataset and Benchmarks for Holistic Understanding of Broadcast Soccer Videos
University of Liège（列日大学）；KAUST（阿卜杜拉国王科技大学）；Aalborg University（奥尔堡大学）；Milestone Systems
在计算机视觉中，理解广播视频是一项具有挑战性的任务，因为它需要通用的推理能力来欣赏视频编辑提供的内容。在这项工作中，我们提出了SoccerNet-v2，这是一个针对SoccerNet视频数据集的新型大规模人工注释语料库，同时还提出了鼓励更多足球理解和广播制作研究的开放性挑战。具体来说，我们在SoccerNet的500个未经修剪的广播足球视频中发布了大约30万个注释。我们扩展当前的任务在足球领域，包括动作定位，摄像机镜头分割与边界检测，我们定义了一个新的重播接地任务。对于每一项任务，我们提供并讨论基准测试结果，这些结果可以通过我们对该领域最相关作品的开源改编实现来重现。SoccerNet-v2面向更广泛的研究社区，帮助推动计算机视觉更接近自动解决方案，以实现更通用的视频理解和制作目的。
2021-04-19 cs.CV
SoccerTrack v2: A Full-Pitch Panoramic Video Dataset for Game State Reconstruction and Ball Action Spotting
Nagoya University（名古屋大学）；University of Tsukuba（筑波大学）
SoccerTrack v2是一个包含10场全景4K大学生比赛录像的公开数据集，提供多目标跟踪、比赛状态重建和球动作识别标注，旨在推动足球分析研究。
2026-10-06 cs.CV
Foul prediction with estimated poses from soccer broadcast video
Graduate School of Informatics, Nagoya University（名古屋大学信息学研究科）；RIKEN Center for Advanced Intelligence Project（理化学研究所先进智能项目中心）
本研究提出一种结合CNN和RNN的深度学习方法，通过整合视频、边界框、图像和姿态信息构建足球犯规预测模型，实验证明各模态均有效提升了预测性能。
2024-02-15 cs.CV cs.LG
BroadTrack: Broadcast Camera Tracking for Soccer
EVS Broadcast Equipment（EVS广播设备公司）；University of Liège（列日大学）
BroadTrack 通过结合开源足球场检测器与摄像机及三脚架模型，提出高性能足球广播摄像机跟踪系统，在 SoccerNet 上显著降低重投影误差并提升标定精度。
2024-12-02 cs.CV
SoccerNet-Caption: Dense Video Captioning for Soccer Broadcasts Commentaries
KAUST（阿卜杜拉国王科技大学）
本文提出面向足球转播的单时间戳锚定密集解说字幕任务，构建含近3.7万条解说、715.9小时视频的数据集，并给出首个基准与基线。
2023-04-10 cs.CV
Beyond Pixels: Leveraging the Language of Soccer to Improve Spatio-Temporal Action Detection in Broadcast Videos
Centre for Robotics, Mines Paris - PSL（机器人中心，巴黎 Mines - PSL 高等学院）；Footovision（Footovision 公司）
本文提出通过引入去噪序列转换任务，利用足球战术规律提升广播视频中时空动作检测的精度和召回率。
2025-05-14 cs.CV
Deep learning for action spotting in association football videos
1 Center of Excellence for Generative AI, IVUL, KAUST, Saudi Arabia 2 Montefiore Institute, Open-SportsLab, University of Li \`e ge, Belgium
本文回顾了足球视频动作定位任务自2018年提出以来的发展，介绍了SoccerNet数据集及挑战赛，推动了60多种方法的开发，使动作定位成为体育行业可行方案。
2024-10-02 cs.CV
SoccerNet-v3D: Leveraging Sports Broadcast Replays for 3D Scene Understanding
Institut de Robòtica i Informàtica Industrial, CSIC-UPC（西班牙国家研究委员会-加泰罗尼亚理工大学机器人与工业自动化研究所）
本研究提出SoccerNet-v3D和ISSIA-3D两个3D足球场景理解数据集，构建单目3D球定位任务并提出基线方法与边界框优化技术，为该领域建立新基准并提供代码支持。
2025-04-14 cs.AI cs.CV
Extraction of Positional Player Data from Broadcast Soccer Videos
L3S Research Center（L3S研究中心）；Leibniz University Hannover（汉诺威莱布尼茨大学）；TIB – Leibniz Information Centre for Science and Technology（德国科学技术莱布尼茨信息中心）；German Sport University Cologne（德国科隆体育大学）
计算机辅助支持和分析在现代体育世界中变得越来越重要。潜在潜在球员的侦察，表现以及比赛分析，以及训练计划的监控越来越依赖于数据驱动的技术，以确保成功。因此，许多方法需要大量的数据，然而，这些数据通常不容易获得。在本文中，我们提出了一个管道的位置数据的全自动提取从广播视频记录的足球比赛。与以前的工作相比，该系统集成了所有必要的子任务，如运动场注册，球员检测或团队分配，这对球员位置估计至关重要。模块和整个系统的质量是相互依赖的。对各个模块以及整个流水线进行了全面的实验评估，以确定误差对后续模块和整体结果的影响。在这种情况下，我们提出了新的评价指标，比较输出与地面实况位置数据。
2021-10-21 cs.CV
Field Converter: Geometry-Initialized Temporal Residual Refinement for World-Grounded Player Pose Estimation from Soccer Broadcasts
Institut de Biomécanique Humaine Georges Charpak (IBHGC), Arts et Métiers ParisTech（乔治·沙帕克人体生物力学研究所（IBHGC），巴黎高科国立高等工艺学校）；French Football Federation (FFF)（法国足球联合会（FFF））
提出Field Converter，利用球场几何初始化球员根部位置，并通过时间残差精化将世界坐标下姿态估计误差从49厘米降至10-11厘米，优于直接回归方法。
2026-09-10 cs.CV
A Computer Vision Framework for Multi-Class Detection and Tracking in Soccer Broadcast Footage
本文提出了一种基于计算机视觉的多类检测与跟踪框架，利用单一摄像头从足球转播视频中提取球员、裁判等信息，实现低成本的足球数据分析。
2026-02-17 cs.AI cs.CV
Real-time Localization of a Soccer Ball from a Single Camera
Yandex
本文提出一种基于单台转播摄像机的实时三维足球轨迹重建方法，通过含 W 个离散模式的多模式状态模型在标准 CPU 上实现低延迟与厘米级精度。
2025-06-09 cs.CV cs.LG
Feature Combination Meets Attention: Baidu Soccer Embeddings and Transformer based Temporal Detection
Baidu Research（百度研究院）
随着互联网技术和新兴工具的快速发展，在线生成的体育相关视频正在以前所未有的速度增长。为了自动化体育视频编辑/高光生成过程，一个关键的任务是精确地识别和定位长的未修剪的视频中的事件。在这份技术报告中，我们提出了一个两阶段的范例来检测足球广播视频中发生的事件以及事件发生的时间。具体来说，我们对足球数据的多个动作识别模型进行了微调，以提取高层次的语义特征，并设计了一个基于Transformer的时间检测模块来定位目标事件。这种方法在两个任务中都实现了最先进的性能，即，行动发现和重播接地，在足球网v2挑战赛，根据CVPR 2021 ActivityNet研讨会。我们的足球嵌入功能在https://github.com/baidu-research/vidpress-sports上发布。通过与更广泛的社区共享这些功能，我们希望加速对足球视频理解的研究。
2021-06-28 cs.AI cs.CV cs.LG
Action Anticipation from SoccerNet Football Video Broadcasts
Aalborg University（奥尔堡大学）；Universitat de Barcelona（巴塞罗那大学）；Computer Vision Center（计算机视觉中心）；University of Liège（列日大学）；KAUST（阿卜杜拉国王科技大学）
针对足球赛事转播视频中动作发生前的预测问题，提出动作预测任务并发布SoccerNet Ball Action Anticipation数据集，设计适配FUTR的FAANTRA模型，引入新指标评估，为体育分析提供支持。
2025-04-16 cs.CV
Soccer Field Localization from a Single Image
University of Toronto（多伦多大学）
在这项工作中，我们提出了一种新的方法，有效地定位足球场从一个单一的广播图像的游戏。这一领域的相关工作依赖于手动注释几个关键帧并将定位扩展到类似的图像，或者在体育场安装固定的专用摄像机，从中可以获得场地的布局。相比之下，我们制定了这个问题作为一个分支和约束推理在马尔可夫随机场的能量函数定义的领域线索，如草，线和圆圈。此外，我们的方法是全自动的，仅依赖于来自游戏广播视频的单个图像。我们证明了我们的方法的有效性，通过将其应用到各种游戏，并取得了可喜的成果。最后，我们认为我们的方法可以很容易地应用到其他运动，如曲棍球和篮球。
2016-04-10 cs.CV
TVCalib: Camera Calibration for Sports Field Registration in Soccer
L3S Research Center（L3S研究中心）；Leibniz University Hannover（汉诺威莱布尼茨大学）；TIB – Leibniz Information Centre for Science and Technology（莱布尼茨科学技术信息中心）
广播视频中的运动场配准通常被解释为单应性估计的任务，其提供平面场与图像的对应可见区域之间的映射。与以前的方法相比，我们认为任务作为一个摄像机校准问题。首先，我们引入了一个可微目标函数，该函数能够从片段对应中学习相机姿态和焦距（例如，线、点云），基于已知校准对象的片段的像素级注释。校准模块迭代地最小化由估计的相机参数引起的片段重投影误差。其次，我们提出了一种新的方法，从广播足球图像的三维运动场注册。与典型的解决方案相比，它随后细化了初始估计，我们的解决方案在一个步骤中完成。所提出的方法进行了评估运动场注册两个数据集，并取得了优异的结果相比，两个国家的最先进的方法。
2022-10-01 cs.CV
SMART: SMPLest-X Mesh Adaptation and RAFT Tracking for Soccer Pose Estimation
GameChanger by Dick’s Sporting Goods（Dick’s Sporting Goods 游戏革新部）
提出 SMART 方法，通过微调 SMPLest-X 模型、结合 RAFT 光流相机跟踪和足部平面锚定等策略，在 FIFA 骨骼跟踪挑战中显著降低 3D 姿态估计误差。
2026-05-29 cs.CV
SoccerHigh: A Benchmark Dataset for Automatic Soccer Video Summarization
Universitat Pompeu Fabra（庞培法布拉大学）
针对体育视频摘要领域公开数据集不足的问题，本文提出了名为SoccerHigh的足球视频摘要基准数据集，配套设计了专用基线模型并取得0.3956的F1分数，还提出了受摘要长度约束的新评估指标。
2025-09-01 cs.AI cs.CV cs.MM
Learning Sports Camera Selection from Internet Videos
University of British Columbia（不列颠哥伦比亚大学）；National University of Defense Technology（国防科学技术大学）
这项工作解决了摄像机选择，预测哪台摄像机应该从多个候选摄像机的足球广播的任务。这项任务是具有挑战性的，因为缺乏学习数据的所有候选人的意见。同时，在互联网上（如Youtube）可免费获得广播视频。然而，这些视频仅记录所选择的摄像机视图，而省略其他候选视图。为了克服这个问题，我们首先引入了随机生存森林（RSF）方法来有效地填补不完整的数据。然后，我们提出了一个空间外观热图来描述图像中的前景对象（例如球员和球）。为了评估我们的系统的性能，我们收集了有史以来最大的足球广播摄像机选择数据集。它有一个主游戏，其中所有候选人的意见和十二个辅助游戏，只有广播的意见。我们的方法在这个具有挑战性的数据集上显着优于最先进的方法。进一步的分析表明，绩效的提高确实来自辅助博弈的额外信息。
2018-09-08 cs.CV
A Unified Taxonomy and Multimodal Dataset for Events in Invasion Games
German Sport University Cologne（科隆德国体育大学）；Leibniz University Hannover（莱布尼茨汉诺威大学）；TIB – Leibniz Information Centre for Science and Technology（TIB – 莱布尼茨科学技术信息中心）
使用位置或视频数据自动检测复杂体育比赛（如足球和手球）中的事件在研究和工业中具有很大的兴趣。一个要求是对基本概念的基本理解，即，发生在球场上的事件。以前的工作通常只涉及所谓的低级别事件，这些事件基于定义明确的规则，例如任意球，罚球或进球。由于缺乏一致的定义，高级别事件（如传球）不太频繁。这引入了一定程度的模糊性，在涉及事件注释时需要仔细验证。然而，这一验证步骤通常被忽视，因为大多数研究采用商业提供商对未知质量的私人数据集的注释，并且只关注足球。为了解决这些问题，我们提出了（1）一个通用的分类法，涵盖了入侵游戏的各种低级别和高级别事件，并以足球和手球为例进行了改进，以及（2）发布了两个多模态数据集，包括视频和位置数据，具有黄金标准注释，以促进细粒度和以球为中心的事件发现的研究。人类表现的实验表明，所提出的分类的鲁棒性，并在注释中的分歧和歧义增加与事件的复杂性。视频分类的I3D模型被用于事件发现，并揭示了基准测试的潜力。数据集可在以下网址获得：https://github.com/mm4spa/eigd
2021-08-26 cs.CV
Slicing and dicing soccer: automatic detection of complex events from spatio-temporal data
Politecnico di Torino（都灵理工大学）
体育视频中事件的自动检测对于数据分析以及广播和媒体公司具有重要的应用。本文提出了一种全面的方法来检测足球视频中的各种复杂事件从位置数据开始。事件检测器被设计为一个两层系统，检测原子事件和复杂事件。原子事件的检测是基于检测对象的时间和逻辑组合，它们的相对距离，以及时空特征，如速度和加速度。复杂事件被定义为原子事件和复杂事件在时间和逻辑上的组合，并通过一个声明性的时间间隔逻辑（ITL）来表示。所提出的方法的有效性证明了超过16个不同的事件，包括复杂的情况下，如铲球和过滤通行证。通过形式化基于原则性ITL的事件，可以轻松执行推理任务，例如理解哪些传球或传中导致进球。为了弥补缺乏合适的、带注释的公共数据集的问题，我们构建了一个开源的足球模拟引擎来重新租赁合成的SoccER（足球事件识别）数据集，其中包括超过160万个原子事件和9,000个复杂事件的完整位置数据和注释。数据集和代码可在https://gitlab.com/grains2/slicing-and-dicing-soccer上获得
2020-04-10 cs.CV cs.LO
Gloss-Free Representation Learning for Cross-Dataset Sign Spotting
Hacettepe University（哈杰泰佩大学）
本研究针对资源受限语言的手语研究，用土耳其广播语料库 TSL-News 基于转录文本的伪 gloss 标签预训练手语编码器，在跨数据集手语定位任务中显著提升性能，证明松散对齐的广播数据可提供有效弱监督学习手语表征。
2026-08-13 cs.CL cs.CV
Smart Director: An Event-Driven Directing System for Live Broadcasting
JD AI Research（京东人工智能研究院）
实时视频广播通常需要具有领域知识的多种技能和专业知识，以实现多摄像机制作。随着摄像机数量的不断增加，指导体育直播现在变得比以往任何时候都更加复杂和具有挑战性。在制作过程中，广播导演需要更加专注，反应迅速，知识渊博。为了减轻导演的紧张工作，我们开发了一个创新的自动化体育广播导演系统，称为智能导演，旨在模仿典型的人在回路中的广播过程，通过使用一套先进的多视角视频分析算法，实时自动创建接近专业的广播节目。受体育广播所谓的“三事件”构建的启发，我们构建了一个由三个连续的新颖组件组成的事件驱动管道系统：1）通过对多视图相关性进行建模来检测事件的多视图事件定位，2）通过对于视图选择的视觉重要性来对相机视图进行排序的多视图高光检测，3）自动播放控制器，用于控制播放视频的制作。据我们所知，我们的系统是第一个用于多摄像机体育广播的端到端自动指挥系统，完全由体育赛事的语义理解驱动。这也是第一个系统，以解决新的问题，多视图联合事件检测跨视图关系建模。我们对真实世界的多摄像头足球数据集进行了客观和主观评估，这表明我们自动生成的视频的质量与人类指导的视频质量相当。由于其更快的响应速度，我们的系统能够捕获更多的快速通过和短时间的事件，这些事件通常被人类导演错过。
2022-01-11 cs.CV cs.MM
AutoSoccerPose: Automated 3D posture Analysis of Soccer Shot Movements
Nagoya University（名古屋大学）；RIKEN（理化学研究所）
针对足球射门姿态数据与非线性建模不足，本文构建3DSP数据集，提出3DSP-GRAE和半自动2D/3D姿态分析流程AutoSoccerPose，并在SoccerNet与3DSP上验证。
2024-05-20 cs.AI cs.CV
Semi-Supervised Training to Improve Player and Ball Detection in Soccer
针对足球球员与足球检测标注不足的问题，提出基于教师—学生网络和置信度感知损失的半监督训练方法，并在 SoccerNet-v3 上建立首个基准。
2022-04-14 cs.CV
Event detection in coarsely annotated sports videos via parallel multi receptive field 1D convolutions
University of Waterloo（滑铁卢大学）
在诸如体育视频分析的问题中，由于冗长的视频和庞大的视频数据量，很难获得准确的帧级注释和准确的事件持续时间。这个问题在冰球等快节奏运动中更为突出。在粗略的尺度上获得注释可能更加实用和省时。我们提出了粗注释视频中的事件检测任务。我们为所提出的任务引入了一个多塔时间卷积网络架构。该网络在多个感受野的帮助下，处理不同时间尺度的信息，以解释事件确切位置和持续时间的不确定性。我们通过适当的消融研究证明了多感受野结构的有效性。该方法在两个任务上进行评估-NHL数据集中粗略注释的曲棍球视频中的事件检测和SoccerNet数据集中的足球事件检测。这两个数据集缺乏帧级注释，并且具有非常不同的事件频率。实验结果证明了网络的有效性，通过获得55%的平均F1分数的NHL数据集，并通过实现竞争力的性能相比，最先进的SoccerNet数据集。我们相信我们的方法将有助于开发更实用的体育视频事件检测管道。
2020-04-13 cs.CV
Deep Learning for Sports Video Event Detection: Tasks, Datasets, Methods, and Challenges
School of Information Technology, Deakin University（德肯大学信息科技学院）
本综述厘清体育视频事件检测中TAL、AS与PES任务的区别，提出最新方法分类体系，并评估基准与指标局限，为开发时间精确且可部署的系统奠定基础。
2025-10-10 cs.CV
A Reinforcement Learning-Based Automatic Video Editing Method Using Pre-trained Vision-Language Model
The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；AIRS, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）AIRS）
本文提出一种结合预训练视觉语言模型与强化学习的自动视频编辑方法，用于通用场景编辑，并在真实电影数据集上验证了其有效性。
2024-11-07 cs.CV
Extended OpenTT Games Dataset: A table tennis dataset for fine-grained shot type and point outcome
DTU Compute（丹麦技术大学计算学院）
扩展OpenTTGames数据集，提供细粒度击球类型和比分结果标注，用于提升乒乓球视频分析的战术理解能力。
2026-01-08 cs.CV
