本文的上半部分简要介绍了SoccerNet 2026中部分赛道的赛题。接下来继续介绍SoccerNet 2026中其余赛道的赛题。
Spiideo SoccerNet合成定位
Spiideo SoccerNet合成定位（Spiideo SoccerNet Synloc，简称SSS）赛道要求根据足球场上的单张图像及相机的校准信息（Camera Calibration），将场上球员定位到球场坐标系中（根据球员骨盆在地面的投影进行定位）[1]。
用于竞赛评测的指标是mAP-LocSim。该指标在mAP指标的基础上，采用LocSim指标来判断每个预测是否准确。LocSim指标的定义是：
其中，τ的取值为1米，d的取值为预测的球员场上位置与实际位置之间的距离。当LocSim的值低于0.5时，预测被视为准确。
所有参赛团队都使用了基线模型YOLO26、RF-DETR或YOLOX-Pose。部分团队还采用了人体姿态估计模型（RTMPose-X 或 ViTPose）来估计球员骨盆位置及其在地面的投影。基于图像中的球员位置预测，通过利用所提供的相机校准参数进行转换，就可以得到球员在球场平面上的位置预测。
另外一种在部分参赛方案中出现的方法是Tiling。在计算机视觉中，Tiling是一种把一张大图片分成多个小图片（称为Tiles）、并独立处理每个小图片的方法。在部分参赛方案中，不同的Tiling方法被用于在场上图像中检测球员：
- 自适应Tiling根据已产生的粗粒度的人员检测结果，动态调整小图片的裁剪，以保障小图片能覆盖人员目标；
- 非自适应Tiling，需要后续的NMS（非极大值抑制）等处理，以避免重叠的人员检测结果，并且合并分散在不同小图片中的人员检测结果。
一些基座模型的损失函数是在像素级别上进行计算的，而竞赛的评测指标是在场上距离这一级别上计算的。因此，有的参赛团队改进了损失函数——有的采用基于球场坐标系的Huber损失函数（Huber Loss），有的直接优化基于球场坐标系的LocSim指标。
视觉问答
视觉问答（Visual Question Answering，简称VQA）赛道要求根据文本、图像和视频多种模态的输入，回答自然语言提问，每个提问有四个备选答案，其中的一个是正确答案[1]。
提问有14类：针对文本输入的提问侧重背景知识和比赛情况；针对图像输入的提问涵盖摄像机视角、球员识别、球衣号码、记分牌等；针对视频输入的提问涵盖镜头切换、重放检索、动作分类、评论、多视角犯规识别等。
用于评测的指标是回答准确率，即500个提问中回答正确的百分比。
优胜团队较多采用了任务路由[1]。在获得第二名的方案中，首先推测提问的分类，然后由任务路由将提问分发给14个Agent之一（一个Agent负责一个分类的提问）。在获得第一名的方案中，任务路由将提问分发给以下4个处理模块之一：
- 处理知识和事实的模块；
- 处理图像和视觉任务的模块；
- 将推理进行分解的模块，用于处理比较含糊的推理任务；
- 针对视频进行时间方面理解的模块。
优胜团队较多采用的其它方法包括：
- 使用基于检索的推理；
- 在SoccerAgent及类似工具链的基础上，增加人员检测、人脸匹配、基于姿态的球衣号码裁剪、CLIP风格的检索、球员分割等，用于改进有关球衣号码、球员、背景知识、重放、犯规等提问的回答。
参考文献
[1] SoccerNet 2026 Challenges Results
https://arxiv.org/abs/2607.07320
参考文献使用许可协议：CC BY 4.0
https://creativecommons.org/licenses/by/4.0/
