SoccerTrack v2: A Full-Pitch Panoramic Video Dataset for Game State Reconstruction and Ball Action Spotting
يقدم SoccerTrack v2 مجموعة بيانات شاملة مكونة من 932 دقيقة من الفيديو البانورامي بدقة 4K من عشر مباريات على مستوى الجامعات، تدمج مسارات اللاعبين في الملعب بالكامل، والإحداثيات المترية، وأحداث حركة الكرة المرتبطة باللاعبين لتمكين البحث الموحد حول إعادة بناء حالة اللعبة ورصد حركات الكرة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
لفهم لعبة كرة القدم الحديثة، يجب على المرء أن ينظر إلى نوعين مختلفين من المعلومات. الأول هو خريطة توضح أين يقف الجميع في أي لحظة معينة، وتتبع حركة كل لاعب والكرة عبر العشب. والثاني هو سجل لما يفعلونه بالفعل: تمريرة، أو تسديدة، أو تدخل، أو هدف. لسنوات، كافح الباحثون لدراسة هذين الأمرين معاً. معظم البيانات المتاحة تأتي من البث التلفزيوني، حيث تتبع الكاميرا الحدث مثل كشاف الضوء. وهذا يعني أنه عندما تنتقل الكرة إلى الجانب الآخر من الملعب، يتم تجاهل اللاعبين الذين تُركوا في الظلام ببساطة. ويتم تخمين مواقعهم أو استبعادهم تماماً، مما يجعل من المستحيل رؤية الصورة الكاملة للمباراة أثناء تطورها. وبدون رؤية الملعب بأكمله، يصعب فهم كيفية تغير شكل الفريق أو كيف يتردد صدى إجراء معين عبر المجموعة بأكملها.
لقد أصدر فريق من الباحثين من جامعة ناغويا وجامعة تسوكوبا الآن مورداً جديداً يجمع أخيراً بين الرؤية الكاملة والقصة الكاملة. أطلقوا عليه اسم SoccerTrack v2. فبدلاً من الاعتماد على كاميرا تتحرك وتكبر المشهد، استخدموا كاميرات ثابتة مثبتة عالياً فوق الملعب تلتقط الملعب بأكره في لقطة واحدة واسعة. يضمن هذا الإعداد عدم اختفاء أي لاعب من الإطار أبداً، بغض النظر عن مكان ذهاب الكرة. تتضمن مجموعة البيانات عشر مباريات جامعية كاملة، بإجمالي أكثر من 930 دقيقة من الفيديو المستمر. ولكل إطار من لقطات الفيديو هذه، سجل الباحثون الموقع الدقيق لكل لاعب، ورقم قميصه، ودوره، والفريق الذي ينتمي إليه. كما قاموا أيضاً بتحديد كل حركة للكرة، من تمريرة بسيطة إلى تدخل معقد، وربط كل حركة مباشرة باللاعب المحدد الذي قام بها. وهذا يخلق سجلاً كاملاً ومتزامناً حيث ترتبط حركة اللاعبين وأحداث المباراة بطريقة لم تكن ممكنة من قبل.
استخدم الباحثون هذه البيانات الجديدة لاختبار مدى قدرة الحواسيب على إعادة بناء حالة اللعبة ورصد أفعال محددة. فقد بنوا نظاماً لتتبع اللاعبين عبر كامل مدة المباراة، والتي يمكن أن تصل إلى 45 دقيقة للشوط الواحد. وعندما اختبروا هذا النظام على مقاطع قصيرة مدتها 30 ثانية فقط، كان أداؤه جيداً للغاية، حيث حدد اللاعبين ومواقعهم بدقة. ومع ذلك، عندما تركوا النظام يعمل طوال طول المباراة، انخفضت دقته بشكل كبير. فكلما طالت السلسلة الزمنية للفيديو، زادت صعوبة تتبع الحاسوب لمن هو مَن. بدأ النظام يفقد السيطرة على الهويات، حيث يخلط بين اللاعبين أو يفقدهم تماماً مع مرور الوقت. هذه النتيجة حاسمة لأنها تظهر أن النظام الذي يعمل بشكل مثالي على مقطع فيديو قصير لا يمكن افتراض أنه سيعمل بنفس الكفاءة على مباراة كاملة. إن تحديات التتبع طويل الأمد حقيقية ومختلفة عن تحديات التحليل قصير الأمد.
في تجربة ثانية، حاول الفريق تعليم الحاسوب التعرف على أفعال الكرة، مثل التمرير أو التسديد، باستخدام بيانات حركة اللاعبين والكرة فقط، دون النظر إلى بكسلات الفيديو نفسها. ووجدوا أن معرفة أين يتواجد اللاعبون كانت كافية لتخمين معظم الأفعال بدقة معقولة. ومع ذلك، عندما أضافوا المسار المحدد للكرة إلى المعلومات، تحسنت قدرة الحاسوب على رصد الأفعال بشكل كبير، خاصة بالنسبة للأحداث التي تحدث بسرعة كبيرة. فقد وفرت حركة الكرة دليلاً حاسماً لم تستطع مواقع اللاعبين وحدها التقاطه بالكامل. ومن المثير للاهتمام أن الحاسوب واجه أكبر صعوبة في الأفعال التي تتضمن لاعبين يتنافسان على الكرة، مثل التدخل أو الحجز. هذه اللحظات صعبة التنبؤ لأن نتيجتها تعتمد على تصادم جسدي يصعب رؤيته بمجرد النظر إلى مكان وقوف اللاعبين.
كما يسلط نشر مجموعة البيانات هذه الضوء على قيود التكنولوجيا الحالية. فقد لاحظ الباحثون أنه بينما كان بإمكانهم رؤية الملعب بأكمله، إلا أن زاوية الكاميرا جعلت الكرة تظهر غالباً كبضع بكسلات فقط، مما يجعل من المستحيل تقريباً على الحاسوب اكتشافها مباشرة من الفيديو. بدلاً من ذلك، اضطروا إلى الاعتماد على مسار الكرة المسجل، والذي تمت إعادة بنائه من سجلات الأحداث بدلاً من مشاهدته إطاراً تلو الآخر. وهذا يعني أن النتائج الحالية تعتمد على مزيج من حركة اللاعبين المرصودة وبيانات الكرة المعاد بناؤها. كما أشار الفريق إلى أن البيانات تأتي من مباريات على المستوى الجامعي، والتي قد تُلعب بشكل مختلف عن المباريات الاحترافية، وأن أنظمة الكاميرا المستخدمة ثابتة، على عكس الكاميرات المتحركة المستخدمة في التلفزيون.
وعلى الرغم من هذه القيود، يمثل هذا العمل خطوة كبيرة للأمام. فمن خلال توفير مورد تتوفر فيه الملعب بالكامل، والمدة الكاملة، والقصة الكاملة في حزمة واحدة، قدم الباحثون للمجتمع العلمي معياراً جديداً للاختبار. لقد أظهروا أن تقييم نظام ما بناءً على مقطع قصير يمكن أن يعطي رؤية متفائلة بشكل مضلل لأدائه. لفهم اللعبة حقاً، وبناء أنظمة يمكنها مشاهدة مباراة كاملة دون فقدان التتبع، يجب على الباحثين اختبار أساليبهم على طول المباراة بالكامل. يوفر SoccerTrack v2 أول ساحة لعب كاملة لهذا النوع من العمل، مما يسمح للعلماء برؤية أين تنجح أدواتهم الحالية وأين تفشل، مما يمهد الطريق لفهم أعمق للعبة الجميلة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.