基于少量比赛专用标注的团队运动球员高效追踪

团队运动分析的一项要求是追踪并识别球员。在视频监控背景下已提出许多追踪与重识别方法。它们在 MOT challenge 等公共数据集上测试时展现出极具说服力的结果。然而，这些方法应用于球员追踪时表现并不尽如人意。实际上，除移动极快且常被遮挡外，球员身着相同球衣，这使得重识别任务极为复杂。一些近期追踪方法更专门针对团队运动场景开发。由于缺乏公共数据，这些方法使用私有数据集，致使无法与之比较。本文提出一种通用新方法，借助通过半交互式系统收集的少量人工标注，在整场比赛中追踪团队运动球员。检测网络与重识别网络均在公共数据集上预训练，自动生成无歧义轨迹段及其外观特征。随后，增量学习机制训练一个 Transformer，利用少量比赛专用人工标注对身份进行分类。最后，由关联算法连接轨迹段。我们在具有挑战性的七人制橄榄球数据集上证明了方法的有效性。为弥补公共体育追踪数据集的缺失，我们在 https://kalisteo.cea.fr/index.php/free-resources/ 公开发布该数据集。我们还表明，若球员可被观测到最小分辨率，且每名球员仅标注 6 条数秒长的轨迹段，我们的方法能够在整场比赛中追踪七人制橄榄球球员。