🤖 machine learning

Training-Free Off-Screen Player Imputation for Broadcast-Based Spatial Football Analytics

Cet article introduit une méthode en ligne et sans entraînement, appelée vote par centroïdes ancrés sur les rôles, pour imputer les positions des joueurs hors champ à partir de séquences de diffusion, réduisant considérablement les erreurs de métriques spatiales du football et améliorant les analyses en aval, telles que les scores de qualité de possession, sans nécessiter de données d'entraînement supplémentaires. Pour les deux fenêtres de Coupe du Monde réelles, les scores imputés ne sont pas présentés comme des valeurs « vraies », mais représentent un résultat de sensibilité démontrant comment les verdicts peuvent changer lorsque les joueurs hors champ sont imputés, compte tenu de l'absence de vérité terrain sur tout le terrain pour les clips de diffusion.

Auteurs originaux : Seongjin Choi

Publié 2026-07-14✓ Author reviewed ⓘ

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Seongjin Choi

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous regardez un match de football à la télévision. La caméra suit le ballon, zoomant et effectuant des panoramiques pour maintenir l'action au centre de l'attention. Mais voici le piège : l'écran est trop petit pour montrer tout le monde. À n'importe quel moment donné, vous ne pouvez voir qu'environ 10 à 16 des 22 joueurs sur le terrain. Les 6 à 12 autres joueurs sont « hors champ », invisibles à vos yeux.

Pendant des années, des programmes informatiques tentant d'analyser le jeu (comme calculer qui contrôle le terrain) ont simplement ignoré ces joueurs invisibles. Ils agissaient comme si les coéquipiers manquants n'existaient pas. Cet article soutient que c'est une erreur monumentale. C'est comme essayer de deviner l'issue d'un tir à la corde en ne regardant que les personnes d'un seul côté de la corde. Si vous ignorez l'équipe invisible, votre calcul est faux, et vous pourriez penser qu'une équipe contrôle la situation alors qu'elle est en train de perdre la bataille.

Le gros problème : la distorsion de l'« invisible »
Les auteurs ont mis en place une simulation pour mesurer à quel point ce problème du « joueur invisible » est grave. Ils ont utilisé des données parfaites de plein champ (où ils pouvaient voir les 22 joueurs) puis ont artificiellement caché ceux que la caméra de télévision ne pourrait pas voir.

Lorsqu'ils ont ignoré les joueurs hors champ, l'erreur dans leurs calculs de « contrôle du terrain » (pitch control) a grimpé en flèche. L'erreur a augmenté de 25,1 à 26,9 points de pourcentage. C'est un écart massif. Cela signifie que l'ordinateur pensait qu'une équipe contrôlait une énorme partie du terrain, alors qu'en réalité, les joueurs invisibles occupaient cet espace. L'erreur dans le calcul de la part de terrain qu'une équipe « possède » a bondi de 11,1 à 13,4 points.

La solution : une équipe « fantôme » qui ne nécessite pas d'entraînement
L'article présente une méthode ingénieuse, « sans entraînement », pour deviner où se trouvent les joueurs manquants. Pensez à cela comme à un jeu de « suivre le chef » avec une variante.

Habituellement, si vous ne voyez pas un joueur, vous pourriez supposer qu'il est resté là où il a été vu pour la dernière fois. Mais les auteurs ont trouvé une meilleure méthode : le Vote par Centroïde Ancré sur le Rôle (Role-Anchored Centroid Voting).

Voici comment cela fonctionne en langage simple :

Le rassemblement de l'équipe : Chaque joueur d'une équipe a un « job » ou un rôle spécifique par rapport au centre de son équipe. Un défenseur reste près de l'arrière ; un attaquant reste près de l'avant.
Le vote : Les joueurs que vous pouvez voir à l'écran votent pour déterminer où se trouve le centre de toute l'équipe. Ils le font en disant : « Je suis ici, et je suis habituellement à cette distance du centre, donc le centre doit être là-bas ».
Les fantômes : Une fois que l'ordinateur a déterminé où se trouve le centre de l'équipe, il utilise les « distances de job » connues pour placer des « fantômes » (des joueurs imaginaires) aux bons endroits pour les coéquipiers hors champ.

Cette méthode n'a pas besoin d'un supercalculateur, elle n'a pas besoin d'apprendre de milliers de matchs passés, et elle n'a pas besoin de voir le futur. Elle utilise simplement les joueurs actuellement à l'écran pour deviner où se trouvent les autres.

À quel point cela a-t-il fonctionné ?
Dans leurs simulations, cette méthode de « vote » a changé la donne :

Elle a réduit l'erreur de contrôle des zones cachées de près de la moitié (passant d'environ 26 points à 12,2–13,8 points).
Elle a réduit l'erreur de calcul de la propriété de l'équipe à seulement 28–48 % de ce que produisait la méthode d'« ignorance ».
Pour les joueurs qui étaient cachés pendant une courte période (moins de 9,6 secondes), la supposition était étonnamment précise, avec une erreur médiane de seulement 3,3 à 8,9 mètres.

Cependant, l'article est honnête sur ses limites. Lorsque les joueurs sont cachés pendant une longue période (plus de 9,6 secondes), les suppositions deviennent plus floues, les erreurs grimpant à 15,6–16,9 mètres. Les auteurs notent que bien que cette méthode soit excellente pour l'analyse télévisée en temps réel, un ordinateur « apprenant » qui a vu de nombreux matchs passés pourrait faire encore mieux s'il avait le temps d'étudier et pouvait jeter un coup d'œil sur les images futures. Mais pour une diffusion en direct où l'on ne peut ni attendre ni entraîner, cette méthode de « fantôme » est le meilleur outil simple disponible.

Pourquoi c'est important : changer le verdict
Les auteurs ont testé cela sur de réelles images de diffusion de la Coupe du Monde. Ils ont examiné deux moments spécifiques d'un match entre les Pays-Bas et le Maroc. Il est important de noter que, faute de données de référence complètes sur tout le terrain pour ces extraits de diffusion, les scores imputés ne sont pas présentés comme des valeurs « vraies », mais plutôt comme un résultat de sensibilité démontrant comment les verdicts peuvent changer lorsque les joueurs hors champ sont pris en compte.

Dans un moment, la vue « uniquement visible » indiquait que l'équipe créait de l'espace avec un score de +15,6. Avec l'ajout des joueurs « fantômes », le score est passé à +32,8.
Dans un autre moment, la vue visible indiquait une « possession morte » (un score de -10,9). Mais une fois les joueurs invisibles pris en compte, le score a basculé à +4,7, changeant le verdict de « mort » à « progression faible ».

Cela prouve qu'ignorer les joueurs hors champ n'ajoute pas seulement un peu de bruit ; cela peut complètement changer l'histoire du match. En ajoutant ces « fantômes », l'analyse devient beaucoup plus juste, rendant crédit aux joueurs qui font le travail même quand la caméra ne les regarde pas.

Ce que l'article écarte
Les auteurs sont très clairs sur ce que cette méthode n'est pas.

Ce n'est pas une solution miracle qui remplace toute l'IA avancée. Ils admettent que si vous avez des données d'entraînement et que vous pouvez voir le futur (comme dans un replay de jeu vidéo), un modèle d'IA « appris » est toujours meilleur.
Ce n'est pas parfait pour les périodes cachées prolongées. La méthode peine lorsque les joueurs sont hors écran pendant plus de 9,6 secondes, ce qui arrive dans environ 50–57 % des moments de joueurs cachés dans leurs données.
Ce n'est pas un remplacement pour un suivi d'identité parfait. Dans la réalité, si la caméra perd la trace d'un joueur ou ne peut pas lire son numéro de maillot, le « fantôme » pourrait se tromper de personne. L'article suggère qu'un meilleur suivi d'identité est la prochaine étape.

L'essentiel
Cet article montre que les joueurs « invisibles » dans les diffusions de football constituent un angle mort massif pour l'analyse actuelle. En utilisant un système de vote simple et intelligent pour deviner où ils se trouvent, nous pouvons corriger une immense partie de l'erreur sans avoir besoin d'entraînements coûteux ou de supercalculateurs. Cela transforme une vue biaisée et incomplète du jeu en une vision beaucoup plus précise, prouvant que parfois, il faut imaginer les pièces manquantes pour voir l'image complète.

Résumé Technique : Imputation de Joueurs Hors-Champ Sans Entraînement pour l'Analyse Spatiale du Football Basée sur la Diffusion

Énoncé du Problème
L'analyse spatiale du football, telle que le contrôle du terrain (pitch control), repose fondamentalement sur les positions des 22 joueurs. Cependant, la source principale de données positionnelles pour l'analyse de diffusion — la vue de la caméra principale — est intrinsèquement partielle. En raison des panoramiques et des zooms pour suivre le ballon, une trame de diffusion typique ne révèle que 10 à 16 joueurs sur les 22. Les pipelines actuels de Reconstruction de l'État de Jeu (GSR) ignorent souvent ces joueurs hors-champ, les traitant comme absents. Cette approche de « visibilité uniquement » introduit un biais systématique : les équipes dont les défenseurs sont hors-champ semblent céder le contrôle de la moitié cachée du terrain, non pas en raison d'une défaillance tactique, mais à cause du cadrage de la caméra. Bien que cette distorsion soit reconnue, elle a rarement été quantifiée sur des données ouvertes, et les solutions apprises existantes (par exemple, le Graph Imputer de DeepMind) dépendent de données propriétaires, d'observations futures (inférence bidirectionnelle) et d'un entraînement hors ligne, ce qui les rend inapplicables à une analyse de diffusion strictement en ligne et en temps réel.

Méthodologie
Le papier propose un cadre d'imputation en ligne et sans entraînement qui opère uniquement sur les observations du match en cours d'analyse, sans entraînement hors ligne ni accès aux trames futures. La méthodologie centrale repose sur une « échelle » de bases de référence, culminant avec une nouvelle approche appelée Vote par Centroïde Ancré sur le Rôle (B4) :

Stratégies de Référence (Baselines) :
- B0 (Ignorer) : La base de référence standard de visibilité uniquement.
- B1 (Dernière Position Vue) : Maintient la dernière position observée, avec une décroissance vers la moyenne de l'équipe visible.
- B2 (Ancre de Formation) : Stocke l'écart d'un joueur par rapport au centroïde de l'équipe visible lorsqu'il est visible, et applique cet écart au centroïde actuel de l'équipe lorsqu'il est caché.
- B3 (Ancre Améliorée) : Combine B2 avec des écarts calculés par Moyenne Mobile Exponentielle (EMA) et une extrapolation de vitesse constante.
- B4 (Vote par Centroïde Ancré sur le Rôle) : Il s'agit de la méthode optimale proposée. Elle traite le « biais du sous-ensemble de la fenêtre de vue » inhérent à B2. Lorsque la caméra panore, le sous-ensemble de joueurs visibles est spatialement biaisé par rapport au véritable centroïde de l'équipe. B4 atténue cela en faisant en sorte que chaque joueur visible « vote » pour le centroïde de l'équipe complète. Chaque joueur visible $i$ propose le centroïde de l'équipe complète comme étant sa position actuelle moins son écart de rôle stocké ( $p_i - off_i$ ). Le centroïde voté $\hat{c}(t)$ est la moyenne de ces propositions. Les écarts sont ensuite mis à jour via EMA par rapport à ce centroïde voté. Les joueurs cachés sont imputés via $\hat{c}(t) + off_j$ . Cela crée un bootstrap auto-cohérent où les écarts et le centroïde s'ajustent mutuellement pour annuler le biais de sous-ensemble systématique.
Protocole de Benchmark :
- Données : Données de suivi plein terrain ouvertes de Metrica Sports (trois matchs, 25 fps).
- Simulation : Une caméra principale virtuelle panore horizontalement en suivant une position de ballon lissée exponentiellement, créant une fenêtre de vue de largeur $W$ (testée à 36m, 44m, 52m, 60m).
- Métriques : L'évaluation donne la priorité aux métriques décisionnelles en aval plutôt qu'à la pure fidélité de trajectoire :
  - Erreur de Position du Joueur Caché : Distance entre la position imputée et la position réelle.
  - MAE de la Carte de Contrôle du Terrain : Erreur dans la carte de contrôle spatiale, spécifiquement dans la zone cachée.
  - Erreur de Part de Contrôle de l'Équipe : Erreur sur la métrique principale de « pourcentage du terrain contrôlé par l'Équipe A ».

Principales Contributions

Benchmark de Distorsion Reproductible : Les auteurs établissent un benchmark ouvert quantifiant l'erreur introduite par l'ignorance des joueurs hors-champ. Ils démontrent que la stratégie « ignorer » gonfle l'erreur de contrôle du terrain dans la zone cachée de 25,1 à 26,9 points de pourcentage et l'erreur de part de contrôle de 11,1 à 13,4 points.
Baselines en Ligne Sans Entraînement : Le papier introduit une hiérarchie de méthodes ne nécessitant aucune donnée d'entraînement. La meilleure performance, le Vote par Centroïde Ancré sur le Rôle (B4), réduit l'erreur de contrôle dans la zone cachée d'environ la moitié (à 12,2–13,8 points) et ramène l'erreur de part de contrôle à 28–48 % de la base de référence de la politique d'ignorance sur toutes les largeurs de fenêtre de vue.
Intégration de Bout en Bout : La méthode est intégrée dans un pipeline de GSR de vidéo de diffusion et testée sur de réelles images de la Coupe du Monde. L'étude montre que l'imputation peut modifier les scores de qualité de possession (Indice de Création d'Espace) de 15,6 à 17,2 points. Il s'agit d'un résultat de sensibilité démontrant comment les verdicts peuvent changer lorsque les joueurs hors-champ sont imputés, compte tenu de l'absence de vérité terrain complète sur les extraits de diffusion, plutôt que de prétendre que ces scores imputés sont des valeurs « vraies ». Cette variation est suffisante pour inverser la classe de verdict (par exemple, de « possession morte » à « progression faible ») dans des fenêtres de jeu spécifiques.

Résultats

Performance : À une largeur de fenêtre standard de 44m, B4 atteint une erreur de position médiane de 9,7–11,6 m pour les joueurs cachés, surpassant l'ancre de formation (B2) et surpassant nettement la base de référence d'ignorance.
Robustesse : La méthode est cohérente à travers trois matchs différents et des largeurs de fenêtre de vue variables. L'amélioration est plus prononcée dans les fenêtres plus étroites (plus difficiles) où moins de joueurs sont visibles.
Régimes d'Occlusion : Dans le régime d'occlusion courte (≤9,6 s), comparable aux travaux appris antérieurs, B4 atteint des erreurs médianes de 3,3–8,9 m. Crucialement, le benchmark révèle que 50–57 % des observations de joueurs cachés dans les images de diffusion tombent dans le régime d'occlusion longue (>9,6 s), un domaine où les modèles appris bidirectionnels précédents ne peuvent pas opérer. B4 fournit une solution viable pour la majorité de ces cas sans contexte futur.
Ablation : Le mécanisme de vote (B4) s'avère supérieur à l'application simple d'écart (B3E) car il aligne le référentiel de stockage des écarts avec le référentiel d'application des écarts, évitant ainsi l'accumulation de biais.

Signification et Revendications
Le papier maintient une position modeste, affirmant explicitement que les imputeurs appris restent préférables lorsque les données d'entraînement et le contexte futur sont disponibles. Cependant, les auteurs établissent trois points critiques :

Distorsion Quantifiée : Ils démontrent que la distorsion causée par l'ignorance des joueurs hors-champ est assez importante pour invalider les métriques spatiales si elle n'est pas traitée.
Plancher Sans Entraînement : Ils fournissent une base de référence de performance (B4) que les méthodes apprises devraient dépasser, prouvant que des gains significatifs sont possibles sans entraînement hors ligne ou ressources GPU.
Viabilité de l'Occlusion Longue : Ils mettent en évidence et évaluent le régime d'occlusion longue (>9,6 s), qui constitue la majorité des observations de joueurs cachés dans les données de diffusion et qui se situe en dehors du champ d'application des travaux appris les plus proches.

Le travail conclut que pour l'analyse basée sur la diffusion strictement en ligne, une méthode sans entraînement comme le Vote par Centroïde Ancré sur le Rôle est un composant nécessaire et efficace pour restaurer l'intégrité spatiale, empêchant le cadrage de la caméra de dicter l'analyse tactique.

Articles similaires