SoccerNet 游戏状态重建：基于迷你地图的全程运动员跟踪与识别
计算机视觉与模式识别
2024-07-26 v1 人工智能
机器学习
摘要
在球场上跟踪和识别运动员是从比赛中收集关键洞察的核心任务，例如估计球员覆盖的总距离或理解球队战术。然而，这种跟踪和识别过程对于重建游戏状态至关重要，游戏状态由运动员在球场俯视视图(即迷你地图)上的位置和身份构成。然而，从单摄像机捕获的视频中重建游戏状态具有挑战性。这需要理解运动员的位置以及摄像机的视角，以在场地上定位和识别球员。在本工作中，我们正式化了游戏状态重建任务，并引入SoccerNet-GSR—a 个专注于足球视频的新型游戏状态重建数据集。SoccerNet-GSR包含200个30秒的视频序列，标注了937万条场地定位和摄像机标定的线点，以及超过236万个运动员位置，包含其相应的角色、球队和球衣号码。此外，我们提出了GS-HOTA—a 个用于评估游戏状态重建方法的新型指标。最后，我们提出并发布了一个用于游戏状态重建的端到端基线，引导该任务的后续研究。我们的实验表明，GSR是一个具有挑战性的新型任务，为未来研究开输了道路。我们的数据集和代码已在https://github.com/SoccerNet/sn-gamestate公开。
引用
@article{arxiv.2404.11335,
title = {SoccerNet Game State Reconstruction: End-to-End Athlete Tracking and Identification on a Minimap},
author = {Vladimir Somers and Victor Joos and Anthony Cioppa and Silvio Giancola and Seyed Abolfazl Ghasemzadeh and Floriane Magera and Baptiste Standaert and Amir Mohammad Mansourian and Xin Zhou and Shohreh Kasaei and Bernard Ghanem and Alexandre Alahi and Marc Van Droogenbroeck and Christophe De Vleeschouwer},
journal= {arXiv preprint arXiv:2404.11335},
year = {2024}
}