SoccerNet-Caption：面向足球转播解说的密集视频描述
计算机视觉与模式识别
2025-02-18 v1
摘要
足球不仅仅是一场比赛——它是一种超越国界、团结全球人们的热情。从人群的呐喊到解说员的激动，足球比赛的每一刻都令人兴奋。然而，由于众多比赛同时进行，球迷无法全部观看直播。主要动作的提醒通知有所帮助，但缺乏直播解说的参与感，使球迷感到脱节。为满足这一需求，我们在本文中提出一项聚焦于生成带有单时间戳锚定的文字解说的密集视频描述新任务。为支撑该任务，我们额外提供了一个具有挑战性的数据集，包含横跨 715.9 小时足球转播视频的近 37k 条带时间戳解说。此外，我们提出了该任务的首个基准与基线，凸显了时间上锚定解说的难度，同时展示了生成有意义解说的能力。通过为转播方提供以与直播同等参与感概括其视频内容的工具，我们的方法可帮助满足众多关注球队却未必能看直播的球迷的需求。我们相信该方法有潜力提升更广泛受众对足球内容的可及性与理解，将比赛激情带给更多人。
引用
@article{arxiv.2304.04565,
title = {SoccerNet-Caption: Dense Video Captioning for Soccer Broadcasts Commentaries},
author = {Hassan Mkhallati and Anthony Cioppa and Silvio Giancola and Bernard Ghanem and Marc Van Droogenbroeck},
journal= {arXiv preprint arXiv:2304.04565},
year = {2025}
}