SoccerNet 2025挑战赛：赛题整理（三）

本文的第（一）部分介绍了SoccerNet数据集、SoccerNet 2025挑战赛、以及SoccerNet 2025挑战赛的赛题一；第（二）部分介绍了SoccerNet 2025挑战赛的赛题二。接下来介绍SoccerNet 2025挑战赛的赛题三。

赛题三：多视角犯规识别‌

该赛题由SoccerNet-MVFoul数据集论文[1]的一作Jan Held负责组织和牵头。

SoccerNet-MVFoul是一个足球视频数据集，其中包含3901个经过标注的动作，每个动作有2-4个同步的拍摄角度。

多视角视频[1]

多视角犯规识别‌（Multi-View Foul Recognition）赛题基于SoccerNet-MVFoul数据集，要求针对多视角视频中的足球动作在两个维度上做出分类[2]：

• 维度一：犯规严重程度，有未犯规、犯规+不给牌、犯规+黄牌、犯规+红牌四个分类；
• 维度二：犯规种类，有铲球、抬脚过高、推人、拉人、肘击等八个分类。

“多视角犯规识别‌”赛题示意图[2]

该赛题的部分难点包括[3]：

• 两个类似的动作可能会有非常不同的判罚，例如可能会根据球员之间是否发生接触进行判罚——未发生接触就是“未犯规”，发生接触就是“犯规+黄牌”；
• 球员的不同意图会导致不同的判罚。

评测指标

由于SoccerNet-MVFoul数据集中各个分类之间的不平衡，因此赛题的评测指标采用了平衡精确度（Balanced Accuracy，简称BA），其计算公式为[2]：

其中，N代表分类的个数，TP_i代表第i个分类的真阳性（True Positive）数量，P_i代表第i个分类的真实数量。

将犯规种类的平衡精确度（BA_type）与犯规严重程度的平衡精确度（BA_off）进行平均，就是评测的得分：

基线水平

该赛题曾出现在去年的SoccerNet挑战赛中。去年冠军队的成绩就是今年的基线水平。

冠军方案

经评测，本届挑战赛有十多支参赛队的成绩优于基线水平[2]。

本届挑战赛冠军队的方案具有以下主要特点：

• 采用了经过Kinetics 400和Kinetics 710数据集预训练的TAdaFormer-L/14模型，并在该模型的基础上进行了微调；
• 在分类头（Classification Head）之前采用了最大池化（Max Pooling），以综合多个视角；
• 在上述的最大池化之前，引入了视角嵌入（View Embedding），并将视角嵌入加入到特征向量中；视角嵌入经过学习，用来区分输入视频是直播视角（片段0）、还是回放视角（片段1-3）;
• 分两阶段进行微调：第（1）阶段仅使用随机的两个视角；第（2）阶段采用了随机的数据增强，并使用了所有视角，使得微调时的任务更贴近推测时的任务；第（2）阶段仅微调分类头。

【继续阅读本文的第（四）部分】

参考文献

[1] 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/

[2] 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/

[3] 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/


封面图：Vienna Reyes、Unsplash