SoccerNet 2025挑战赛:赛题整理(一)

简介: 介绍SoccerNet数据集和SoccerNet 2025挑战赛,并梳理SoccerNet 2025挑战赛中的赛题一

SoccerNet挑战赛近年来一直由CVPR会议的CVsports研讨会(International Workshop on Computer Vision in Sports,计算机视觉在体育中的应用国际研讨会)主办,赛题涉及足球比赛视频理解中的多项任务。SoccerNet挑战赛的官网是https://www.soccer-net.org;参赛的开发工具包可通过GitHub(https://github.com/SoccerNet)获取。

SoccerNet数据集

这里的SoccerNet一词源自SoccerNet数据集的命名。SoccerNet数据集创建于2018年;创建时包含500场完整的足球比赛视频,比赛出自2014至2017年间的欧洲冠军联赛、英格兰足球超级联赛等六大欧洲足球赛事,视频总时长接近800小时。对于该数据集的标注最初仅包括进球、黄红牌出示和换人三种事件的时间标注。

在后续的SoccerNet-v2数据集中,被标注的事件类型扩展至点球、解围、界外球等,事件类型的总数达到了17种。SoccerNet-v2数据集还增加了对镜头变换(例如回放等)的标注[1]。

2022年发布的SoccerNet-v3数据集进一步增加了对球员、球、场地边线、球门等的空间位置的标注。同年发布的SoccerNet-Tracking数据集是一个多目标跟踪(Multi-Object Tracking)数据集,其中被标注的内容包含了多种目标的边框及编号、运动员球衣号码、球队标识等[1][2]。


Tracking.jpg


SoccerNet-Tracking数据集标注示例[2]

2023年发布的SoccerNet-Captions数据集针对足球比赛中的各类事件增加了自然语言描述。同年发布的SoccerNet-MVFouls数据集是一个多视角视频数据集,用于足球比赛中犯规的识别和特征分析[3][4]。

MVFouls.jpg


多视角视频示意图[4]

2024年新增的数据集包括[5]:

  • SoccerNet-Depth数据集,用于比赛视频中的单目深度估计;
  • SoccerNet-XFoul数据集,包括足球比赛中裁判判罚的视频问答;
  • SoccerNet-GSR数据集,用于足球比赛的状态重建。

历年新增的SoccerNet数据集,为历年SoccerNet挑战赛引入新赛题提供了基础。

SoccerNet 2025挑战赛

基于SoccerNet数据集的SoccerNet挑战赛最早于2021年开始举办,至今已经举办了5届。

SoccerNet 2025挑战赛在前不久已经落下了帷幕。我国的多支参赛队取得了不凡的战绩[6]。

SoccerNet 2025挑战赛共设有四个赛题,每个赛题都至少有十几支参赛队参赛,每个赛题都设有各自的榜单。

赛题一:球队-球动作识别‌

该赛题的组织和牵头人是上届挑战赛中的球动作识别‌(Ball Action Spotting)赛题的冠军队成员Artur Xarles[6]。

本届挑战赛的“球队-球动作识别‌”(Team Ball Action Spotting)赛题要求针对足球比赛视频中的传球(Pass)、头球(Header)、传高球(High Pass)、传中(Cross)、掷界外球(Throw In)、射门(Shot)、球员成功铲球(Player Successful Tackle)、任意球(Free Kick)、进球(Goal)等12种动作进行识别、确定动作发生时间,并区分出哪支球队(摄像画面中的左方球队还是右方球队)做出了有关的动作。

Figure_1_1.jpg


“球队-球动作识别‌”赛题示意图[6]

该赛题与往届SoccerNet挑战赛中的动作识别‌(Action Spotting)赛题、以及球动作识别‌(Ball Action Spotting)赛题相比,主要不同在于:

  • 基于不同的数据集——该赛题基于Footovision公司提供的数据集,其中包括7场经过标注的英格兰足球联赛的比赛视频,以及另外两场用于评测的足球赛视频;往届挑战赛中的动作识别‌(Action Spotting)赛题基于SoccerNet-v2数据集,其中包括500场足球比赛视频,以及另外50场用于评测的足球赛视频;
  • 要求识别的动作不同——该赛题要求识别与球相关的12种动作,而往届挑战赛中的动作识别‌(Action Spotting)赛题要求识别17种各类动作,其中包括黄红牌出示、换人等几种非直接涉及球的动作;
  • 增加了区分球队的要求——该赛题要求区分出哪支球队做出了有关动作,而往届挑战赛中的动作识别‌(Action Spotting)赛题和球动作识别‌(Ball Action Spotting)赛题不要求区分球队;
  • 评测指标不同。

评测指标

该赛题的评测指标为Team-mAP@1,其中,1指的是1秒种——如果预测的时间误差在1秒种之内,时间方面的预测则被视为准确。

Team-mAP@1指标在计算时,首先单独计算每个球队-动作组合的AP@1(Average Precision@1),然后针对每个动作,按照各球队发生该动作的频次进行加权平均,求得所有球队的该动作的AP@1;最后通过平均所有动作的AP@1,得出Team-mAP@1。

基线方案

在上届(即SoccerNet 2024)挑战赛中,球动作识别‌(Ball Action Spotting)的冠军队创新出了T-DEED(Temporal-Discriminability Enhancer Encoder-Decoder)架构[7][8];这一方案成为本届挑战赛中本赛题的基线方案。

冠军方案

经评测,本届挑战赛有九支参赛队的方案表现优于基线方案[6]。

多支参赛队(包括本届挑战赛的冠军队在内)在上述T-DEED架构的基础上进行了改进。本届挑战赛冠军队所做的主要改进包括:

  • 将T-DEED架构中分别用于球队分类和球动作识别‌的两个Head合并,仅采用一个Head来预测球队-动作的联合分类;
  • 使用早期的含有500场比赛的SoccerNet数据集进行预训练,然后使用本届挑战赛提供的数据集进行微调;
  • 使用了更多的数据增强,包括水平镜像、随机裁剪、亮度抖动等。

本届挑战赛冠军队的代码放在了GitHub上(https://github.com/int8/dude.k),同时也打包成Python包,可通过pip进行安装(Python包名称:dude.k)。

【继续阅读本文的第(二)部分】

参考文献

[1] SoccerNet 2022 Challenges Results

https://arxiv.org/abs/2210.02365

使用许可协议:CC BY

https://creativecommons.org/licenses/by/4.0/

[2] SoccerNet-Tracking: Multiple Object Tracking Dataset and Benchmark in Soccer Videos

https://arxiv.org/abs/2204.06918

使用许可协议:CC BY

https://creativecommons.org/licenses/by/4.0/

[3] SoccerNet 2023 Challenges Results

https://arxiv.org/abs/2309.06006

使用许可协议:CC BY

https://creativecommons.org/licenses/by/4.0/

[4] VARS: Video Assistant Referee System for Automated Soccer Decision Making from Multiple Views

https://arxiv.org/abs/2304.04617

使用许可协议:CC BY

https://creativecommons.org/licenses/by/4.0/

[5] SoccerNet 2024 Challenges Results

https://arxiv.org/abs/2409.10587

使用许可协议:CC BY

https://creativecommons.org/licenses/by/4.0/

[6] SoccerNet 2025 Challenges Results

https://arxiv.org/abs/2508.19182

使用许可协议:CC BY

https://creativecommons.org/licenses/by/4.0/

[7] T-DEED: Temporal-Discriminability Enhancer Encoder-Decoder for Precise Event Spotting in Sports Videos

https://arxiv.org/abs/2404.05392

[8] http://github.com/arturxe2/T-DEED


封面图:Tembela Bohle、pexels.com

目录
相关文章
|
19天前
|
Oracle 关系型数据库 Linux
【赵渝强老师】Oracle数据库配置助手:DBCA
Oracle数据库配置助手(DBCA)是用于创建和配置Oracle数据库的工具,支持图形界面和静默执行模式。本文介绍了使用DBCA在Linux环境下创建数据库的完整步骤,包括选择数据库操作类型、配置存储与网络选项、设置管理密码等,并提供了界面截图与视频讲解,帮助用户快速掌握数据库创建流程。
201 93
|
19天前
|
JavaScript 前端开发 物联网
JavaScript:构建动态世界的引擎
JavaScript:构建动态世界的引擎
|
8天前
|
安全 Java 开发者
告别NullPointerException:拥抱Java Optional
告别NullPointerException:拥抱Java Optional
|
8天前
|
安全 Java 开发者
告别NullPointerException:拥抱Java Optional
告别NullPointerException:拥抱Java Optional
182 100
|
29天前
|
Kubernetes 监控 安全
使用Istio实现细粒度流量管理:金丝雀发布实战
使用Istio实现细粒度流量管理:金丝雀发布实战
|
18天前
|
机器学习/深度学习 人工智能 前端开发
通义DeepResearch全面开源!同步分享可落地的高阶Agent构建方法论
通义研究团队开源发布通义 DeepResearch —— 首个在性能上可与 OpenAI DeepResearch 相媲美、并在多项权威基准测试中取得领先表现的全开源 Web Agent。
1424 87
|
18天前
|
Python
Python中的f-string:更优雅的字符串格式化
Python中的f-string:更优雅的字符串格式化
|
29天前
|
测试技术 微服务
使用Istio实现流量镜像:提升微服务测试的利器
使用Istio实现流量镜像:提升微服务测试的利器
164 99
|
19天前
|
JavaScript 前端开发 API
Vue 3:下一代前端框架革新
Vue 3:下一代前端框架革新
252 106
|
29天前
|
缓存 前端开发 Docker
Docker Layer Caching:加速你的容器构建
Docker Layer Caching:加速你的容器构建