MambaKick：基于HAR嵌入的早期惩罚方向预测
计算机视觉与模式识别
2026-04-21 v1 人工智能
摘要
足球点球在极端时间限制下决定，门将守者从kickers的动作在球接触前或接触期间就能从中获益于预测射门方向。在本文中，提出了MambaKick作为一个基于学习的框架，用于预测射门方向，该框架利用从接触中心短视频片段中提取的预训练人类动作识别（HAR）嵌入，并将其与轻量级时间预测器结合。该方法不依赖于显式的运动学重建或手工制作的生物力学特征，而是重用可迁移的时空表示，并利用选择性状态稀疏模型（Mamba）进行高效序列聚合。也考虑了简单情境元数据（如场地侧向和脚向）作为补充线索，以减少现实录像中的歧义。在多种HAR backbone上，MambaKick一致地在强大的嵌入基准上实现了改进或相当的性能，在所提出的方法论下实现了三类任务的最高达53.1%准确率，二类任务最高达64.5%准确率。总体而言，结果表明，将预训练的HAR表示与高效时序建模结合起来是低延迟意图预测在现实世界体育视频中的一个实用方法。代码将在GitHub上提供：https://github.com/hvelesaca/MambaKick/。
引用
@article{arxiv.2604.16588,
title = {MambaKick: Early Penalty Direction Prediction from HAR Embeddings},
author = {Henry O. Velesaca and David Freire-Obregon and Abel Reyes-Angulo and Steven Araujo and Angel Sappa},
journal= {arXiv preprint arXiv:2604.16588},
year = {2026}
}