🤖 machine learning

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

यह शोध पत्र रोल-एंकोर्ड सेंट्रॉइड वोटिंग (role-anchored centroid voting) नामक एक प्रशिक्षण-मुक्त, ऑनलाइन विधि प्रस्तुत करता है जो ब्रॉडकास्ट फुटेज से ऑफ-स्क्रीन खिलाड़ियों की स्थितियों को इम्प्यूट (impute) करने के लिए है, जो अतिरिक्त प्रशिक्षण डेटा की आवश्यकता के बिना स्थानिक फुटबॉल मेट्रिक्स त्रुटियों को काफी कम करता है और पजेशन-क्वालिटी स्कोर जैसे डाउनस्ट्रीम एनालिटिक्स में सुधार करता है, और दो वास्तविक विश्व कप विंडो के लिए, इम्प्यूटेड स्कोर को 'सत्य' मानों के रूप में दावा नहीं किया गया है, बल्कि वे एक संवेदनशीलता परिणाम का प्रतिनिधित्व करते हैं जो यह दर्शाता है कि ब्रॉडकास्ट क्लिप्स पर फुल-पिच ग्राउंड ट्रुथ की कमी को देखते हुए, जब ऑफ-स्क्रीन खिलाड़ियों को इम्प्यूट किया जाता है तो निर्णय कैसे बदल सकते हैं।

मूल लेखक: Seongjin Choi

प्रकाशित 2026-07-14✓ Author reviewed ⓘ

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Seongjin Choi

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने नहीं लिखा है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप टीवी पर एक फुटबॉल मैच देख रहे हैं। कैमरा गेंद का पीछा कर रहा है, एक्शन को फोकस में रखने के लिए ज़ूम और पैन कर रहा है। लेकिन यहाँ एक पेंच है: स्क्रीन इतनी छोटी है कि इसमें सभी को दिखाया नहीं जा सकता। किसी भी समय, आप मैदान के 22 खिलाड़ियों में से केवल लगभग 10 से 16 खिलाड़ियों को ही देख सकते हैं। बाकी 6 से 12 खिलाड़ी "ऑफ-स्क्रीन" हैं, यानी आपकी आँखों से अदृश्य हैं।

वर्षों से, खेल का विश्लेषण करने वाले कंप्यूटर प्रोग्राम (जैसे यह गणना करना कि कौन पिच पर नियंत्रण रख रहा है) इन अदृश्य खिलाड़ियों को पूरी तरह से अनदेखा करते रहे हैं। वे इस तरह व्यवहार करते थे जैसे कि गायब साथी मौजूद ही नहीं थे। यह एक बहुत बड़ी गलती है। यह वैसा ही है जैसे कि केवल रस्सी के एक तरफ के लोगों को देखकर यह अनुमान लगाने की कोशिश करना कि रस्साकशी (tug-of-war) का परिणाम क्या होगा। यदि आप अदृश्य टीम को अनदेखा करते हैं, तो आपका गणित गलत होगा, और आपको लग सकता है कि एक टीम का नियंत्रण है जबकि वास्तव में वे युद्ध हार रहे हैं।

बड़ी समस्या: "अदृश्य" विरूपण (Distortion)
लेखकों ने यह मापने के लिए एक सिमुलेशन तैयार किया कि "अदृश्य खिलाड़ी" की समस्या कितनी गंभीर है। उन्होंने पूर्ण-मैदान डेटा (जहाँ वे सभी 22 खिलाड़ियों को देख सकते थे) लिया और फिर उन खिलाड़ियों को कृत्रिम रूप से छिपा दिया जिन्हें टीवी कैमरा मिस कर देता।

जब उन्होंने ऑफ-स्क्रीन खिलाड़ियों को अनदेखा किया, तो उनके "पिच कंट्रोल" गणनाओं में त्रुटि आसमान छू गई। गलती 25.1 से 26.9 प्रतिशत अंक तक बढ़ गई। यह एक विशाल अंतर है। इसका मतलब है कि कंप्यूटर ने सोचा कि एक टीम का मैदान के एक बड़े हिस्से पर नियंत्रण है, जबकि वास्तव में, अदृश्य खिलाड़ी उस स्थान को थामे हुए थे। टीम कितना हिस्सा "स्वामित्व" में रखती है, इसकी गणना में त्रुटि 11.1 से 13.4 अंक बढ़ गई।

समाधान: एक "घोस्ट" टीम जिसे ट्रेनिंग की आवश्यकता नहीं है
यह पेपर गायब खिलाड़ियों का अनुमान लगाने का एक चतुर, "ट्रेनिंग-फ्री" तरीका पेश करता है। इसे "फॉलो द लीडर" के खेल की तरह समझें जिसमें एक ट्विस्ट है।

आमतौर पर, यदि आप किसी खिलाड़ी को नहीं देख पाते, तो आप अनुमान लगा सकते हैं कि वह वहीं रहा जहाँ उसे आखिरी बार देखा गया था। लेकिन लेखकों ने एक बेहतर तरीका खोजा: रोल-एंकरड सेंट्रॉइड वोटिंग (Role-Anchored Centroid Voting)।

यह सरल भाषा में इस प्रकार काम करता है:

टीम का घेरा (The Team Huddle): एक टीम के हर खिलाड़ी की अपनी टीम के केंद्र के सापेक्ष एक विशिष्ट "भूमिका" या काम होता है। एक डिफेंडर पीछे के पास रहता है; एक स्ट्राइकर आगे के पास रहता है।
वोटिंग: जो खिलाड़ी आप स्क्रीन पर देख सकते हैं, वे पूरी टीम के केंद्र के बारे में वोट करते हैं। वे इस तरह कहते हैं: "मैं यहाँ हूँ, और मैं आमतौर पर केंद्र से इतनी दूर होता हूँ, इसलिए केंद्र वहाँ होना चाहिए।"
द घोस्ट्स (The Ghosts): एक बार जब कंप्यूटर यह पता लगा लेता है कि टीम का केंद्र कहाँ है, तो वह ज्ञात "जॉब डिस्टेंस" का उपयोग करके ऑफ-स्क्रीन साथियों के लिए "घोस्ट्स" (काल्पनिक खिलाड़ियों) को सही स्थानों पर रखता है।

इस तरीके को सुपरकंप्यूटर की आवश्यकता नहीं है, इसे हजारों पिछले खेलों से सीखने की आवश्यकता नहीं है, और इसे भविष्य देखने की आवश्यकता नहीं है। यह बस वर्तमान में स्क्रीन पर मौजूद खिलाड़ियों का उपयोग करके यह अनुमान लगाता है कि अन्य खिलाड़ी कहाँ हैं।

यह कितना प्रभावी रहा?
उनके सिमुलेशन में, यह "वोटिंग" विधि एक गेम-चेंजर साबित हुई:

इसने छिपे हुए क्षेत्रों के नियंत्रण (hidden-zone control) में त्रुटि को लगभग आधा कर दिया (त्रुटि ~26 अंकों से घटकर 12.2–13.8 अंक रह गई)।
इसने टीम स्वामित्व की गणनाओं में त्रुटि को केवल 28–48% तक कम कर दिया, जो "अनदेखा करने वाले" तरीके द्वारा उत्पन्न हुई थी।
उन खिलाड़ियों के लिए जो कम समय के लिए छिपे थे (9.6 सेकंड से कम), अनुमान आश्चर्यजनक रूप से सटीक था, जिसमें मध्यम त्रुटि केवल 3.3 से 8.9 मीटर थी।

हालाँकि, पेपर अपनी सीमाओं के बारे में ईमानदार है। जब खिलाड़ी लंबे समय तक छिपे रहते हैं (9.6 सेकंड से अधिक), तो अनुमान धुंधले हो जाते हैं, जिससे त्रुटियाँ बढ़कर 15.6–16.9 मीटर हो जाती हैं। लेखक नोट करते हैं कि हालांकि यह तरीका वास्तविक समय के टीवी विश्लेषण के लिए बेहतरीन है, लेकिन एक "सीखने वाला" कंप्यूटर जिसने कई पिछले खेल देखे हों, वह और भी बेहतर कर सकता है यदि उसके पास अध्ययन करने का समय हो और वह भविष्य के फ्रेम देख सके। लेकिन एक लाइव प्रसारण के लिए जहाँ आप प्रतीक्षा या प्रशिक्षण नहीं दे सकते, यह "घोस्ट" विधि उपलब्ध सबसे सरल उपकरण है।

यह क्यों मायने रखता है: निर्णय बदलना
लेखकों ने वास्तविक विश्व कप ब्रॉडकास्ट फुटेज पर इसका परीक्षण किया। उन्होंने नीदरलैंड और मोरक्को के बीच एक मैच के दो विशिष्ट क्षणों को देखा। चूंकि इन ब्रॉडकास्ट क्लिप्स के लिए कोई पूर्ण-पिच ग्राउंड ट्रुथ उपलब्ध नहीं है, इसलिए इमप्यूटेड (imputed) स्कोर को 'सत्य' मान नहीं लिया गया है। इसके बजाय, वे एक संवेदनशीलता परिणाम के रूप में कार्य करते हैं, जो प्रदर्शित करते हैं कि ऑफ-स्क्रीन खिलाड़ियों को शामिल करने पर निर्णय कैसे बदल जाते हैं।

एक क्षण में, "केवल दृश्यमान" (visible-only) दृश्य ने +15.6 के स्कोर के साथ टीम द्वारा स्पेस बनाने का संकेत दिया। "घोस्ट" खिलाड़ियों को जोड़ने के बाद, स्कोर उछलकर +32.8 हो गया।
दूसरे क्षण में, दृश्य भाग ने खेल को "डेड पजेशन" (स्कोर -10.9) बताया। लेकिन एक बार जब अदृश्य खिलाड़ियों को ध्यान में रखा गया, तो स्कोर बदलकर +4.7 हो गया, जिससे निर्णय "डेड" से बदलकर "कमजोर प्रोग्रेशन" (weak progression) हो गया।

यह साबित करता है कि ऑफ-स्क्रीन खिलाड़ियों को अनदेखा करना केवल थोड़ा सा शोर (noise) नहीं जोड़ता है; यह खेल की कहानी को पूरी तरह से बदल सकता है। इन "घोस्ट्स" को जोड़कर, विश्लेषण बहुत अधिक निष्पक्ष हो जाता है, जो उन खिलाड़ियों को श्रेय देता है जो तब भी काम कर रहे होते हैं जब कैमरा उन्हें नहीं देख रहा होता है।

यह पेपर किन चीजों को खारिज करता है
लेखक बहुत स्पष्ट हैं कि यह तरीका क्या नहीं है।

यह सभी उन्नत AI को बदलने वाला कोई जादुई समाधान नहीं है। वे स्वीकार करते हैं कि यदि आपके पास ट्रेनिंग डेटा है और आप भविष्य देख सकते हैं (जैसे वीडियो गेम रीप्ले में), तो एक "सीखा हुआ" (learned) AI मॉडल अभी भी बेहतर है।
यह लंबे समय तक छिपे रहने की अवधि के लिए पूर्ण नहीं है। यह तरीका संघर्ष करता है जब कोई खिलाड़ी 9.6 सेकंड से अधिक समय के लिए ऑफ-स्क्रीन होता है, जो उनके डेटा में छिपे हुए क्षणों में लगभग 50–57% है।
यह सटीक पहचान ट्रैकिंग (identity tracking) का विकल्प नहीं है। वास्तविक जीवन में, यदि कैमरा किसी खिलाड़ी को ट्रैक करने में खो जाता है या उसकी जर्सी नंबर नहीं पढ़ पाता है, तो "घोस्ट" गलत व्यक्ति हो सकता है। पेपर सुझाव देता है कि बेहतर पहचान ट्रैकिंग अगला कदम है।

निष्कर्ष (The Bottom Line)
यह पेपर दिखाता है कि फुटबॉल प्रसारणों में "अदृश्य" खिलाड़ी वर्तमान विश्लेषण के लिए एक बहुत बड़ा अंध बिंदु (blind spot) हैं। यह अनुमान लगाने के लिए कि वे कहाँ हैं, एक सरल, स्मार्ट वोटिंग सिस्टम का उपयोग करके, हम बिना किसी महंगे प्रशिक्षण या सुपरकंप्यूटर के त्रुटि के एक बड़े हिस्से को ठीक कर सकते हैं। यह खेल के एक पक्षपाती, अधूरे दृश्य को बहुत अधिक सटीक दृश्य में बदल देता है, यह साबित करता है कि कभी-कभी, पूरी तस्वीर देखने के लिए गायब हिस्सों की कल्पना करना आवश्यक होता है।

तकनीकी सारांश: ब्रॉडकास्ट-आधारित स्थानिक फुटबॉल विश्लेषण के लिए ट्रेनिंग-फ्री ऑफ-स्क्रीन प्लेयर इम्प्यूटेशन (Imputation)

समस्या विवरण (Problem Statement)
स्पेशियल फुटबॉल एनालिटिक्स, जैसे कि पिच कंट्रोल, मौलिक रूप से सभी 22 खिलाड़ियों की स्थिति पर निर्भर करते हैं। हालांकि, ब्रॉडकास्ट विश्लेषण के लिए प्राथमिक स्रोत—मुख्य कैमरा व्यू—अंतर्निहित रूप से आंशिक होता है। बॉल का पीछा करने के लिए पैनिंग और ज़ूमिंग के कारण, एक विशिष्ट ब्रॉडकास्ट फ्रेम में 22 में से केवल 10–16 खिलाड़ी ही दिखाई देते हैं। वर्तमान गेम स्टेट रिकंस्ट्रक्शन (GSR) पाइपलाइन अक्सर इन ऑफ-स्क्रीन खिलाड़ियों को अनदेखा कर देती है, उन्हें अनुपस्थित मान लेती है। यह "केवल दृश्यमान" (visible-only) दृष्टिकोण एक व्यवस्थित पूर्वाग्रह (systematic bias) पैदा करता है: जिन टीमों के डिफेंडर ऑफ-स्क्रीन होते हैं, वे पिच के छिपे हुए हिस्से पर नियंत्रण खोते हुए प्रतीत होते हैं, जो उनकी सामरिक विफलता के कारण नहीं, बल्कि कैमरा फ्रेमिंग के कारण होता है। हालांकि इस विरूपण (distortion) को स्वीकार किया जाता है, लेकिन इसे ओपन डेटा पर शायद ही कभी मापा गया है, और मौजूदा लर्निंग-आधारित समाधान (जैसे, डीपमाइंड का ग्राफ इम्प्यूटर) प्रोप्रायटरी डेटा, भविष्य के अवलोकनों (बाइडायरेक्शनल इन्फरेंस) पर निर्भर करते हैं, जो उन्हें पूरी तरह से ऑनलाइन, रियल-टाइम ब्रॉडकास्ट विश्लेषण के लिए अनुपयुक्त बनाते हैं।

कार्यप्रणाली (Methodology)
यह शोध एक ट्रेनिंग-फ्री, ऑनलाइन इम्प्यूटेशन फ्रेमवर्क प्रस्तावित करता है जो केवल विश्लेषण किए जा रहे मैच के अवलोकनों पर कार्य करता है, बिना किसी ऑफलाइन ट्रेनिंग या भविष्य के फ्रेम्स के एक्सेस के। मुख्य कार्यप्रणाली में "लेडर" (ladder) ऑफ बेसलाइन्स शामिल हैं, जिसका शिखर एक नया दृष्टिकोण है जिसे रोल-एंकरड सेंट्रॉइड वोटिंग (B4) कहा जाता है:

बेसलाइन रणनीतियाँ:
- B0 (इग्नोर): मानक केवल-दृश्यमान (visible-only) बेसलाइन।
- B1 (लास्ट-सीन): अंतिम देखे गए स्थान को बनाए रखता है, जो दृश्यमान टीम मीन (mean) की ओर घटता है।
- B2 (फॉर्मेशन एंकर): दृश्यमान होने के दौरान खिलाड़ी के दृश्यमान टीम सेंट्रॉइड से उसके ऑफसेट (offset) को स्टोर करता है और छिपे होने पर इस ऑफसेट को वर्तमान दृश्यमान सेंट्रॉइड पर लागू करता है।
- B3 (एन्हांस्ड एंकर): B2 को एक्सपोनेंशियल मूविंग एवरेज (EMA) ऑफसेट्स और कांस्टेंट-वेलोसिटी एक्सट्रपलेशन के साथ जोड़ता है।
- B4 (रोल-एंकरड सेंट्रॉइड वोटिंग): यह प्रस्तावित इष्टतम विधि है। यह B2 में निहित "व्यूपोर्ट सबसेट बायस" (viewport subset bias) को संबोधित करती है। जब कैमरा पैन करता है, तो दृश्यमान खिलाड़ियों का सबसेट वास्तविक टीम सेंट्रॉइड के सापेक्ष स्थानिक रूप से पक्षपाती (biased) होता है। B4 इस समस्या को कम करने के लिए प्रत्येक दृश्यमान खिलाड़ी को पूर्ण-टीम सेंट्रॉइड के लिए "वोट" करने की अनुमति देता है। प्रत्येक दृश्यमान खिलाड़ी $i$ अपने संग्रहीत रोल ऑफसेट को घटाकर पूर्ण-टीम सेंट्रॉइड का प्रस्ताव देता है ( $p_i - off_i$ )। वोट किया गया सेंट्रॉइड $\hat{c}(t)$ इन प्रस्तावों का औसत होता है। ऑफसेट्स को वोट किए गए सेंट्रॉइड के सापेक्ष EMA के माध्यम से अपडेट किया जाता है। छिपे हुए खिलाड़ियों को $\hat{c}(t) + off_j$ पर इम्प्यूट किया जाता है। यह एक स्व-सुसंगत बूटस्ट्रैप बनाता है जहाँ ऑफसेट्स और सेंट्रॉइड एक-दूसरे को व्यवस्थित रूप से समायोजित करते हैं ताकि व्यवस्थित सबसेट बायस को समाप्त किया जा सके।
बेंचमार्किंग प्रोटोकॉल:
- डेटा: मेट्रिका स्पोर्ट्स (तीन मैच, 25 fps) से ओपन फुल-पिच ट्रैकिंग डेटा।
- सिमुलेशन: एक वर्चुअल मेन कैमरा बॉल की एक्सपोनेंशियल स्मूद पोजीशन का पीछा करते हुए क्षैतिज रूप से पैन करता है, जिससे $W$ चौड़ाई का व्यूपोर्ट बनता है (36 मीटर, 44 मीटर, 52 मीटर, 60 मीटर पर टेस्ट किया गया)।
- मेट्रिक्स: मूल्यांकन शुद्ध प्रक्षेपवक्र निष्ठा (trajectory fidelity) के बजाय डाउनस्ट्रीम निर्णय-प्रासंगिक मेट्रिक्स को प्राथमिकता देता है:
  - हिडन-प्लेयर पोजीशन एरर: इम्प्यूटेड और वास्तविक स्थिति के बीच की दूरी।
  - पिच-कंट्रोल मैप MAE: स्थानिक नियंत्रण मानचित्र में त्रुटि, विशेष रूप से हिडन ज़ोन में।
  - टीम कंट्रोल-शेयर एरर: "टीम A द्वारा नियंत्रित पिच का प्रतिशत" जैसे हेडलाइन मेट्रिक में त्रुटि।

प्रमुख योगदान (Key Contributions)

रिप्रोड्यूसिबल डिस्टॉर्शन बेंचमार्क: लेखक एक ओपन बेंचमार्क स्थापित करते हैं जो ऑफ-स्क्रीन खिलाड़ियों को अनदेखा करने से उत्पन्न त्रुटि को मापता है। वे प्रदर्शित करते हैं कि "इग्नोर" बेसलाइन हिडन-ज़ोन पिच-कंट्रोल एरर को 25.1–26.9 प्रतिशत अंक और कंट्रोल-शेयर एरर को 11.1–13.4 अंक तक बढ़ा देती है।
ट्रेनिंग-फ्री ऑनलाइन बेसलाइन्स: यह पेपर ऐसी विधियों की एक श्रेणी पेश करता है जिन्हें किसी ट्रेनिंग डेटा की आवश्यकता नहीं है। सर्वश्रेष्ठ प्रदर्शन करने वाला, रोल-एंकरड सेंट्रॉइड वोटिंग (B4), हिडन-ज़ोन कंट्रोल एरर को लगभग आधा (12.2–13.8 अंक तक) कम कर देता है और सभी व्यूपोर्ट चौड़ाई में कंट्रोल-शेयर एरर को 'इग्नोर-पॉलिसी' बेसलाइन के 28–48% तक ला देता है।
एंड-टू-एंड इंटीग्रेशन: इस पद्धति को एक ब्रॉडकास्ट-वीडियो GSR पाइपलाइन में एकीकृत किया गया है और वास्तविक वर्ल्ड कप फुटेज पर परीक्षण किया गया है। इन ब्रॉडकास्ट क्लिप्स के लिए फुल-पिच ग्राउंड ट्रुथ की कमी को देखते हुए, अध्ययन 'ट्रू वैल्यूज' का दावा करने के बजाय एक सेंसिटिविटी एनालिसिस प्रस्तुत करता है। यह दर्शाता है कि इम्प्यूटेशन, स्पेस-क्रिएशन इंडेक्स जैसे डाउनस्ट्रीम पजेशन-क्वालिटी स्कोर को 15.6 से 17.2 अंक तक बदल सकता है, जो विशिष्ट गेम विंडोज़ में वर्डिक्ट क्लास (जैसे, "डेड पजेशन" से "वीक प्रोग्रेशन") को बदलने के लिए पर्याप्त है, जिससे कैमरा फ्रेमिंग के सामरिक व्याख्या पर संभावित प्रभाव को उजागर किया जा सके।

परिणाम (Results)

प्रदर्शन: 44 मीटर की मानक व्यूपोर्ट चौड़ाई पर, B4 छिपे हुए खिलाड़ियों के लिए मेडियन पोजीशन एरर 9.7–11.6 मीटर प्राप्त करता है, जो फॉर्मेशन एंकर (B2) से बेहतर है और 'इग्नोर' बेसलाइन से काफी बेहतर प्रदर्शन करता है।
मजबूती (Robustness): यह विधि तीन अलग-अलग मैचों और विभिन्न व्यूपोर्ट चौड़ाई में लगातार प्रदर्शन करती है। सुधार सबसे अधिक संकीर्ण (कठिन) व्यूपोर्ट्स में स्पष्ट होता है जहाँ कम खिलाड़ी दिखाई देते हैं।
ओक्लूजन रिजीम्स (Occlusion Regimes): शॉर्ट-ओक्लूजन रिजीम (≤9.6 सेकंड), जो पिछले लर्नड वर्क के समान है, में B4 3.3–8.9 मीटर का मेडियन एरर प्राप्त करता है। महत्वपूर्ण रूप से, बेंचमार्क प्रकट करता है कि ब्रॉडकास्ट फुटेज में 50–57% छिपे हुए-खिलाड़ी के अवलोकन लॉन्ग-ओक्लूजन रिजीम (>9.6 सेकंड) में आते हैं, जो वह डोमेन है जहाँ बाइडायरेक्शनल लर्नड मॉडल कार्य नहीं कर सकते। B4 बिना भविष्य के संदर्भ के इन अधिकांश मामलों के लिए एक व्यवहार्य समाधान प्रदान करता है।
एब्लेशन (Ablation): वोटिंग मैकेनिज्म (B4) को सरल ऑफसेट एप्लीकेशन (B3E) से बेहतर दिखाया गया है क्योंकि यह ऑफसेट्स को स्टोर करने के लिए रेफरेंस फ्रेम को उसी रेफरेंस फ्रेम के साथ संरेखित करता है जिसका उपयोग ऑफसेट्स को लागू करने के लिए किया जाता है, जिससे बायस के संचय को रोका जा सके।

महत्व और दावे (Significance and Claims)
यह शोध एक मध्यम रुख बनाए रखता है, यह स्पष्ट रूप से कहते हुए कि यदि ट्रेनिंग डेटा और भविष्य का संदर्भ उपलब्ध हो तो लर्नड इम्प्यूटर्स ही बेहतर रहते हैं। हालांकि, लेखक तीन महत्वपूर्ण बिंदु स्थापित करते हैं:

क्वांटिफाइड डिस्टॉर्शन: वे प्रदर्शित करते हैं कि ऑफ-स्क्रीन खिलाड़ियों को अनदेखा करने से होने वाला विरूपण इतना बड़ा है कि यदि इसे अनडेक्स्ड (unaddressed) छोड़ दिया जाए तो यह स्थानिक मेट्रिक्स को अमान्य कर सकता है।
ट्रेनिंग-फ्री फ्लोर: वे एक प्रदर्शन बेसलाइन (B4) प्रदान करते जिसे लर्नड मेथड्स को पार करना चाहिए, यह सिद्ध करते हुए कि बिना ऑफलाइन ट्रेनिंग या GPU संसाधनों के भी महत्वपूर्ण लाभ संभव हैं।
लॉन्ग-ओक्लूजन वायबिलिटी: वे लॉन्ग-ओक्लूजन रिजीम (>9.6 सेकंड) को हाईलाइट और स्कोर करते हैं, जो ब्रॉडकास्ट डेटा में छिपे हुए-खिलाड़ियों के अवलोकनों का बहुमत है और निकटतम पूर्व लर्नड वर्क के दायरे से बाहर है।

यह कार्य निष्कर्ष निकालता है कि विशेष रूप से ऑनलाइन, ब्रॉडकास्ट-आधारित एनालिटिक्स के लिए, स्थानिक अखंडता (spatial integrity) को पुनः प्राप्त करने के लिए रोल-एंकरड सेंट्रॉइड वोटिंग जैसी ट्रेनिंग-फ्री विधि एक आवश्यक और प्रभावी घटक है, जो यह सुनिश्चित करती है कि कैमरा फ्रेमिंग सामरिक विश्लेषण को निर्धारित न करे।

इसी तरह के और पेपर