PathCRF: Ball-Free Soccer Event Detection via Possession Path Inference from Player Trajectories

Résumé Technique : PathCRF

Énoncé du Problème
L'analyse du football professionnel repose sur deux modalités de données principales : les données d'événements (annotations manuelles d'actions avec le ballon comme les passes et les tirs) et les données de tracking (coordonnées à haute fréquence des joueurs et du ballon). Bien que le suivi des joueurs soit devenu automatisé et abordable, le suivi du ballon reste coûteux, sujet aux erreurs d'occlusion et difficile à généraliser au-delà des compétitions de haut niveau. Par conséquent, la collecte complète de données est limitée, et l'adoption plus large de l'analyse axée sur les données est entravée. Les méthodes existantes de détection automatique d'événements nécessitent généralement un suivi précis du ballon, ce qui constitue un goulot d'étrangleur. De plus, les tentatives antérieures d'inférer les états du ballon uniquement à partir des trajectoires des joueurs échouent souvent à imposer des contraintes physiques, entraînant des mouvements de balle implausibles ou des changements de possession illogiques. Le problème central traité est la manière de détecter les événements de jeu et d'inférer les trajectoires de possession de manière précise en utilisant uniquement les données de suivi des joueurs, sans dépendre d'un matériel de suivi du ballon coûteux ou d'une annotation manuelle laborieuse.

Méthodologie
Les auteurs proposent PathCRF, un cadre qui reformule la détection d'événements de football comme un problème de sélection séquentielle d'arêtes sur un graphe dynamique entièrement connecté.

1. Formulation du Problème :

   • Les trajectoires des joueurs sont modélisées comme un graphe orienté entièrement connecté où les nœuds représentent les joueurs et quatre nœuds « extérieurs » (représentant le ballon sortant du terrain).
   • L'état de possession du ballon à n'importe quel instant est défini par exactement une arête : une boucle sur soi-même $(u, u)$ indique qu'un joueur $u$ dribble, tandis qu'une arête orientée $(u, v)$ avec $u \neq v$ représente une passe ou un tir de $u$ vers $v$.
   • L'objectif est d'inférer la séquence d'arêtes (la trajectoire de possession) qui explique le mieux les trajectoires observées des joueurs.

2. Backbone Neural :

   • Le cadre utilise un encodeur socio-temporel inspiré de ROLAND et TranSPORTmer.
   • Module Social : Utilise une combinaison de réseaux partiellement équivariants à la permutation (PPE) et entièrement équivariants à la permutation (FPE) basés sur des blocs d'attention d'ensemble induits (ISAB). Le PPE capture la dynamique intra-équipe, tandis que le FPE capture les contextes inter-équipes globaux.
   • Module Temporel : Agrège les représentations des nœuds au fil du temps à l'aide d'une architecture basée sur l'attention (encodage positionnel + blocs d'attention d'ensemble empilés) pour capturer les dépendances séquentielles.
   • Embeddings d'Arêtes : Les embeddings de nœuds raffinés sont concaténés et projetés via un MLP pour former des embeddings d'arêtes, qui servent de caractéristiques pour le CRF.

3. Champ Aléatoire Conditionnel (CRF) Dynamique et Masqué :

   • Pour garantir la cohérence logique, un CRF est appliqué sur la séquence d'arêtes.
   • Scoring Dynamique : Contrairement aux CRF standards avec des matrices de transition statiques, PathCRF calcule dynamiquement les scores d'émission et de transition à partir des embeddings d'arêtes. Cela permet au modèle d'adapter les probabilités de transition au contexte spatiotemporel évolutif (par exemple, la probabilité qu'une passe soit réussie change à mesure que le ballon approche du receveur).
   • Contraintes Strictes (Masquage) : Le CRF masque explicitement les transitions impossibles (par exemple, un joueur ne peut pas recevoir une passe de lui-même, ou un ballon ne peut pas « téléporter » entre des joueurs non adjacents sans une arête de passe). Les transitions illégales se voient attribuer un score négatif important, les élaguant ainsi de l'espace de recherche.
   • Inférence : La séquence d'arêtes la plus probable est obtenue via le décodage de Viterbi. Les événements (contrôles, tirs, sorties de jeu) sont détectés aux instants où l'arête sélectionnée change.

4. Entraînement :

   • Le modèle est entraîné de bout en bout en minimisant la log-vraisemblance négative de la séquence d'arêtes de vérité terrain.
   • Des pertes auxiliaires (classification intermédiaire et classification d'émission) sont ajoutées pour stabiliser l'entraînement et encourager l'apprentissage précoce de la sémantique de la possession.

Principales Contributions

• Formulation : Le papier reformule la détection d'événements de football comme un problème de sélection séquentielle d'arêtes sur un graphe dynamique, inférant les trajectoires de possession directement à partir des trajectoires des joueurs sans estimer les positions du ballon.
• CRF Neural dans le Sport : Il introduit l'inférence de séquence par CRF neural, utilisant le scoring de transition dynamique et le masquage strict, pour imposer des contraintes physiques spécifiques au domaine dans l'analyse sportive.
• Performance sans Suivi du Ballon : Il démontre que les analyses clés basées sur les événements (tendances spatiales, statistiques de possession, réseaux de passes) peuvent être approximées de manière fiable en utilisant uniquement les données de suivi des joueurs, éliminant ainsi le besoin d'un matériel de suivi du ballon ou d'une annotation manuelle.
• Reproductibilité : Le code source et les expériences sont basés sur des données de suivi publiques (jeu de données Sportec Open DFL), facilitant une reproduction aisée.

Résultats Expérimentaux
Les expériences ont été menées sur le jeu de données Sportec Open DFL (Bundesliga allemande).

• Précision des Arêtes : PathCRF a atteint une précision d'arête de 69,64 % dans la sélection de la bonne arête de possession parmi 676 candidats.
• Détection d'Événements : Le cadre a obtenu un F1-score de 75,69 % pour la détection d'événements.
• Cohérence Logique : La variante Dynamic Masked CRF a atteint un taux de violation de 0,00 %, éliminant avec succès les transitions physiquement impossibles qui affectaient les bases non-CRF (qui présentaient un taux de violation de 2,80 %).
• Comparaison : PathCRF a nettement surpassé les modèles de base reposant sur la régression de la trajectoire du ballon ou la sélection d'arêtes non contrainte. Il a également surpassé les variantes de CRF statiques, soulignant l'avantage du scoring de transition dynamique.
• Utilité Aval : Les événements détectés se rapprochent étroitement des cartes de chaleur spatiales de vérité terrain, des statistiques de possession d'équipe (prédisant 62,64 % contre 62,13 % pour la vérité terrain) et des structures de réseaux de passes (faible divergence de Jensen-Shannon et distance spectrale).

Signification et Revendications
Le papier affirme que PathCRF offre une solution évolutive pour l'analyse du football en supprimant la dépendance aux infrastructures de suivi du ballon coûteuses et à l'annotation manuelle laborieuse. En produisant des trajectoires de possession logiquement cohérentes, le cadre permet des analyses aval fiables telles que les cartes thermiques tactiques, les mesures de possession et la construction de réseaux de passes.

Les auteurs positionnent ce travail comme une étape vers la démocratisation de la collecte automatisée de données pour les compétitions de divisions inférieures et de jeunesse où le suivi du ballon est indisponible. Ils notent également que bien que le cadre soit conçu pour le football, sa formulation est indépendante du domaine et pourrait potentiellement s'étendre à d'autres systèmes multi-agents (par exemple, la conduite autonome, la coordination multi-robots) en modifiant les contraintes de transition. Le papier suggère modestement que les travaux futurs pourraient intégrer des caractéristiques visuelles issues de vidéos de diffusion ou des guides humains pour affiner davantage la précision et catégoriser les événements en types plus granulaires.