Resumen Técnico: Detección de Acciones de Balón Centrada en el Jugador - SoccerNet 2026

Declaración del Problema

El artículo aborda el desafío de la Detección de Acciones de Balón Centrada en el Jugador dentro de la competición SoccerNet 2026. El objetivo es detectar y localizar acciones específicas relacionadas con el balón (por ejemplo, pase, tiro, entrada) realizadas por jugadores individuales en secuencias de vídeo. El sistema debe generar secuencias de eventos estructuradas que comprendan marcas de tiempo de fotogramas, clases de acción y roles de los jugadores, yendo más allá de la simple clasificación a nivel de fotograma para lograr un flujo de detección de eventos con coherencia temporal.

Metodología

El sistema propuesto se adhiere al flujo de trabajo de dos etapas establecido por los organizadores, que consiste en un Detector de Acciones Consciente de la Trayectoria (TAAD) y un modelo de Transducción de Secuencias de Denegación (DST). Los autores introducen modificaciones arquitectónicas y de entrenamiento específicas en ambas etapas, culminando en una estrategia de ensamblado basada en el acuerdo.

Mejoras del Detector de Acciones Consciente de la Trayectoria (TAAD) - Etapa 1

El TAAD base, que se basa en una arquitectura X3D, fue mejorado para capturar mejor las dependencias temporales:

• Integración de Transformer Temporal: En lugar de clasificar fotogramas de forma independiente, el sistema proyecta las características alineadas con la ROI (por jugador, por fotograma) en un espacio de 256 dimensiones. Estas son procesadas a través de un codificador transformer de 4 capas (8 cabezales de atención, dimensión de alimentación de 1024) con incrustaciones posicionales aprendibles (hasta 50 fotogramas). Esto permite al modelo razonar sobre patrones temporales antes de proyectarlos a un espacio de 512 dimensiones para una clasificación de 9 clases.
• Refinamientos de Entrenamiento: Los autores corrigieron un error en el programador de calentamiento (warmup scheduler) que anteriormente detenía las actualizaciones de la tasa de aprendizaje. Las modificaciones adicionales incluyeron:
  • Un programador de recocido de coseno (cosine annealing scheduler) para todas las capas excepto para el backbone X3D (que utiliza una LR fija).
    [] Una escala de la tasa de aprendizaje de $1/\sqrt{8}$.
  • Reducción del peso de la clase de fondo (0.05) e incremento del número de tracklets de 4 a 6 a partir de la época 16.
  • Los logits resultantes se tratan como entradas congeladas para la etapa posterior de DST.

Mejoras de la Transducción de Secuencias de Denegación (DST) - Etapa 2

El componente DST convierte las características del estado del juego y los logits del TAAD en secuencias de eventos estructuradas mediante un transformer autorregresivo. Las innovaciones clave incluyen:

• Mecanismo de Atención por Jugador: El codificador base trataba el vector de características de 26 roles como una entrada plana. El método propuesto introduce un mecanismo de atención de dos etapas:
  1. Atención Espacial (Etapa 1): Atención entre jugadores donde los 26 jugadores en un momento específico se atienden entre sí, capturando configuraciones espaciales.
  2. Atención Temporal (Etapa 2): Autoatención aplicada de forma independiente a la representación de cada jugador a través de la dimensión temporal para modelar la evolución del estado.
  • Nota: Los experimentos indicaron que el uso exclusivo de las características del estado del juego (posiciones, velocidades, visibilidad) para este mecanismo de atención, excluyendo los logits del TAAD, produjo un rendimiento superior.
• Orden Prioritario Espacial: Procesar la atención espacial antes que la temporal resultó crítico, logrando una mejora de +1.87% en el Macro-F1 de validación en comparación con el orden inverso.
• Diversidad Arquitectónica para el Ensamblado: Se entrenaron cuatro modelos DST distintos (A–D) con diversos hiperparámetros para asegurar la diversidad:
  • Modelo A: Configuración base (dimensión oculta 512, 1 capa de atención).
  • Modelo B: Dimensión oculta incrementada (768).
  • Modelo C: Profundidad de atención incrementada (2 capas) y dimensión (dp=128).
  • Modelo D: Arquitectura de atención paralela donde las ramas espacial y temporal procesan las entradas de forma independiente y se suman.
• Optimización de la Inferencia: Los autores descubrieron que optimizar la temperatura de ajuste de logits ($\tau$) basándose en umbrales por clase provocaba un sobreajuste en el conjunto de validación. Por consiguiente, adoptaron $\tau=0$ con los umbrales por defecto para todas las predicciones finales.

Estrategia de Ensamblado

La entrega final emplea una estrategia de Fusión de Eventos Ponderada con Filtrado por Acuerdo:

1. Clustering: Las predicciones de $N$ modelos se agrupan por (equipo, número de camiseta, clase de acción) y se agrupan mediante clustering dentro de una ventana de $\pm 12$ fotogramas.
2. Impulso por Acuerdo: Para los grupos respaldados por $n$ modelos, la puntuación media se multiplica por $(n/N)^{0.5}$.
3. Filtrado: Los eventos predichos por menos de 2 modelos se descartan para suprimir falsos positivos (alucinaciones).
4. Gestión de Excepciones: Debido a la extrema rareza de los eventos de "Entrada" (Tackle) (26 ocurrencias en 96 juegos de entrenamiento) y al bajo F1 por modelo, el filtro de acuerdo se omite para las entradas. Las detecciones de un solo modelo se preservan para mantener la recuperación (recall) para esta clase específica.

Resultados

El sistema alcanzó una puntuación Macro-F1 de 58.94 en el conjunto de desafío (challenge set).

• Ganancias Progresivas: El DST base con el TAAD mejorado obtuvo 48.6 en el desafío. Añadir la atención por jugador y el orden espacial primero aumentó esto a 55.1. El ensamblado final de 4 modelos alcanzó 58.94.
• Rendimiento por Clase: El ensamblado superó a los modelos individuales en todas las clases excepto en "Entrada" (Tackle), donde el Modelo B se mantuvo como el mejor ejecutor individual. El ensamblado mejoró significativamente el rendimiento en clases de frecuencia común a media (por ejemplo, conducción, pase, centro) al suprimir falsos positivos mientras mantenía la recuperación.
• Generalización: La brecha entre el rendimiento de validación y el de desafío se redujo de aproximadamente 6 puntos (modelo único) a 2 puntos (ensamblado), lo que indica una mejor generalización.

Significación y Reivindicaciones

El artículo sostiene que la contribución principal reside en la integración de mecanismos de atención por jugador dentro del codificador DST y en la estrategia de ensamblado basada en el acuerdo.

• Se identifica el orden de atención espacial primero como una elección arquitectónica crítica que proporciona un contexto más rico para el razonamiento temporal.
• El mecanismo de filtrado por acuerdo se destaca como la clave para reducir los falsos positivos sin sacrificar la recuperación en las clases frecuentes, mientras que la excepción específica para los eventos de entrada demuestra un enfoque dirigido para manejar el desequilibrio de clases.
• Los autores enmarcan modestamente su trabajo como una mejora sistemática sobre el flujo de trabajo base proporcionado, demostrando que la diversidad arquitectónica y un filtrado de ensamblado riguroso pueden aumentar significativamente el rendimiento en tareas complejas de detección de acciones con múltiples jugadores.