💻 computer science

SoccerNet 2026 Player-Centric Ball Action Spotting: Per-Player Attention with Agreement-Based Ensembling

Questo articolo presenta un sistema a due stadi per la sfida SoccerNet 2026 che combina un Track-Aware Action Detector con un Denoising Sequence Transduction transformer caratterizzato da un'attenzione spaziale-prima per ogni giocatore e un ensemble basato sull'accordo, raggiungendo un punteggio Macro-F1 di 58,94.

Autori originali: Faisal Altawijri, Ismail Mathkour

Pubblicato 2026-06-30

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Faisal Altawijri, Ismail Mathkour

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di dover scrivere la cronaca di una partita di calcio, ma di doverlo fare perfettamente per ogni singolo giocatore in campo, secondo dopo secondo. Questa è la sfida che questo articolo affronta: capire esattamente cosa sta facendo ogni giocatore con la palla (dribbling, passaggio, tiro, ecc.) e quando.

Gli autori, parte di un team chiamato TAHAKOM, hanno costruito un sistema di "arbitro digitale" che ha ottenuto un punteggio molto alto (58,94 su 100) in una competizione chiamata SoccerNet 2026. Ecco come ci sono riusciti, suddiviso in semplici passaggi.

La fabbrica a due stadi

Pensa al loro sistema come a una linea di produzione a due fasi.

Stadio 1: L' "Occhio" (TAAD)
Per prima cosa, il sistema deve vedere cosa sta accadendo. Il sistema originale usava una telecamera di base per osservare i giocatori. Gli autori hanno aggiornato questo elemento con un "Transformer Temporale".

L'Analogia: Immagina una telecamera normale che scatta una foto di un giocatore ogni secondo e indovina cosa sta facendo basandosi solo su quella singola foto. Il nuovo sistema è come un regista cinematografico che osserva l'intera scena. Non guarda solo un fotogramma; osserva il flusso del movimento attraverso diversi fotogrammi per comprendere la storia dell'azione.
La Correzione: Hanno anche trovato un glitch nel processo di addestramento (come un termostato che si blocca) e lo hanno risolto, permettendo al sistema di apprendere in modo molto più efficace.

Stadio 2: Il "Cervello" (DST)
Una volta che l' "Occhio" vede le azioni, il "Cervello" deve organizzarle in un elenco coerente di eventi.

Il Vecchio Modo: Il vecchio cervello trattava tutti i 26 giocatori in campo come una lista piatta e confusa di dati. Era come cercare di capire una conversazione ascoltando tutti che urlano contemporaneamente senza sapere chi stia parlando con chi.
Il Nuovo Modo (Attenzione per Singolo Giocatore): Gli autori hanno dato al cervello un superpotere: la Concentrazione.
1. Attenzione Spaziale (La Stanza): Per prima cosa, il sistema guarda tutti i giocatori in un singolo momento e si chiede: "Chi è vicino a chi?". Comprende la formazione della squadra.
2. Attenzione Temporale (La Linea del Tempo): Poi, si concentra su ogni singolo giocatore individualmente e osserva come quella specifica persona si muove nel tempo.
- Il Risultato: Comprendendo prima le relazioni spaziali (chi è dove), il sistema ottiene un contesto molto migliore per comprendere la linea del tempo (cosa stanno facendo).

La strategia del "Comitato" (Ensembling)

Invece di affidarsi a un solo IA intelligente, gli autori hanno addestrato quattro diverse versioni del loro "Cervello" (Modelli A, B, C e D). Ognuna era leggermente diversa, come avere quattro esperti con diverse specializzazioni.

Per ottenere la risposta finale, non hanno semplicemente scelto il migliore. Hanno utilizzato un Sistema di Votazione del Comitato:

La Regola dell'Accordo: Se un solo esperto dice: "Il giocatore n. 10 sta tirando", il sistema lo ignora. Assume che quell'esperto possa avere delle allucinazioni (vedere cose che non esistono).
Il Boost: Se due o più esperti sono d'accordo, il sistema aumenta il punteggio di fiducia. È come dire: "Se tre persone mi dicono che sta piovendo, prenderò sicuramente l'ombrello".
L'Eccezione del "Tackle Singolo": C'era un problema: i "Tackle" (l'intervento per rubare il pallone) sono così rari che a volte un solo esperto li individua. Se avessero applicato la stretta regola dell'accordo, avrebbero perso tutti i tackle. Quindi, hanno creato un'eccezione speciale: se viene previsto un tackle, anche da un solo esperto, lo mantengono. Questo assicura di non perdere i momenti rari e complicati.

I Risultati

Combinando questi miglioramenti, il team ha visto una crescita costante delle prestazioni:

Sistema Base: 48,6% di accuratezza.
Aggiunta del "Regista Cinematografico" (Stadio 1): Migliorato leggermente.
Aggiunta della "Concentrazione" (Stadio 2): Grande salto al 55,1%.
Il Comitato (Ensemble): Il punteggio finale ha raggiunto il 58,94%.

Perché è importante:
La parte più impressionante è che il "Comitato" non è stato solo fortunato nelle partite di pratica (validazione); si è generalizzato bene anche nelle partite di test reali (challenge). Il divario tra il loro punteggio di pratica e quello di test è sceso da una differenza di 6 punti a soli 2 punti. Questo dimostra che il loro sistema non sta solo memorizzando le risposte; sta effettivamente imparando a capire il calcio.

In breve, hanno costruito un sistema che guarda il calcio come un regista, ci pensa come un analista concentrato e prende decisioni come un comitato di esperti cauti.

Sintesi Tecnica: Rilevamento delle Azioni sulla Palla Centrate sul Giocatore - SoccerNet 2026

Definizione del Problema

Il documento affronta la sfida del Rilevamento delle Azioni sulla Palla Centrate sul Giocatore (Player-Centric Ball Action Spotting) all'interno della competizione SoccerNet 2026. L'obiettivo è rilevare e localizzare azioni specifiche legate alla palla (ad es. passaggi, tiri, contrasti) eseguite da singoli giocatori in sequenze video. Il sistema deve produrre sequenze di eventi strutturate composte da timestamp dei fotogrammi, classi di azione e ruoli dei giocatori, andando oltre la semplice classificazione a livello di fotogramma verso una pipeline di rilevamento degli eventi temporalmente coerente.

Metodologia

Il sistema proposto aderisce alla pipeline a due stadi stabilita dagli organizzatori, che consiste in un Rilevatore di Azioni Consapevole della Traccia (TAAD) e un modello di Trasduzione di Sequenza di Denoisaggio (DST). Gli autori introducono specifiche modifiche architettoniche e di addestramento a entrambi gli stadi, culminando in una strategia di ensemble basata sull'accordo.

Miglioramenti al Track-Aware Action Detector (TAAD) - Stadio 1

Il TAAD di base, che si basa su un'architettura X3D, è stato potenziato per catturare meglio le dipendenze temporali:

Integrazione del Transformer Temporale: Invece di classificare i fotogrammi indipendentemente, il sistema proietta le caratteristiche allineate all'ROI (per giocatore, per fotogramma) in uno spazio a 256 dimensioni. Queste vengono elaborate attraverso un encoder transformer a 4 strati (8 teste di attenzione, dimensione feedforward 1024) con embedding posizionali apprendibili (fino a 50 fotogrammi). Ciò consente al modello di ragionare su pattern temporali prima di proiettare in uno spazio a 512 dimensioni per la classificazione a 9 classi.
Raffinamenti dell'Addestramento: Gli autori hanno corretto un bug dello scheduler di warmup che precedentemente interrompeva gli aggiornamenti del tasso di apprendimento. Ulteriori modifiche hanno incluso:
- Uno scheduler di annealing del coseno per tutti gli strati tranne che per l'architettura X3D (che utilizza un LR fisso).
- Tassi di apprendimento scalati di $1/\sqrt{8}$ .
- Riduzione del peso della classe background (0.05) e aumento del numero di tracklet da 4 a 6 a partire dall'epoca 16.
- I logit risultanti sono trattati come input congelati per lo stadio successivo, il DST.

Miglioramenti al Denoising Sequence Transduction (DST) - Stadio 2

La componente DST converte le caratteristiche dello stato di gioco e i logit del TAAD in sequenze di eventi strutturate tramite un transformer autoregressivo. Le innovazioni chiave includono:

Meccanismo di Attenzione Per-Giocatore: L'encoder di base trattava il vettore delle caratteristiche dei 26 ruoli come un input piatto. Il metodo proposto introduce un meccanismo di attenzione a due stadi:
1. Attenzione Spaziale (Stadio 1): Attenzione cross-player in cui tutti i 26 giocatori in un determinato istante temporale prestano attenzione l'uno all'altro, catturando le configurazioni spaziali.
2. Attenzione Temporale (Stadio 2): Auto-attenzione applicata indipendentemente alla rappresentazione di ogni giocatore attraverso la dimensione temporale per modellare l'evoluzione dello stato.
- Nota: Gli esperimenti hanno indicato che l'utilizzo delle sole caratteristiche dello stato di gioco (posizioni, velocità, visibilità) per questo meccanismo di attenzione, escludendo i logit del TAAD, ha prodotto prestazioni superiori.
Ordinamento Spaziale-Primo: L'elaborazione dell'attenzione spaziale prima di quella temporale si è rivelata critica, producendo un miglioramento del Macro-F1 di +1.87% sulla validazione rispetto all'ordine inverso.
Diversità Architetturale per l'Ensemble: Quattro diversi modelli DST (A–D) sono stati addestrati con varianti degli iperparametri per garantire diversità:
- Modello A: Configurazione base (dimensione nascosta 512, 1 strato di attenzione).
- Modello B: Dimensione nascosta aumentata (768).
- Modello C: Profondità di attenzione aumentata (2 strati) e dimensione (dp=128).
- Modello D: Architettura di attenzione parallela dove i rami spaziale e temporale elaborano gli input indipendentemente e i risultati vengono sommati.
Ottimizzazione dell'Inferenza: Gli autori hanno scoperto che l'ottimizzazione della temperatura di regolazione dei logit ( $\tau$ ) basata su soglie per classe portava all'overfitting sul set di validazione. Di conseguenza, hanno adottato $\tau=0$ con soglie predefinite per tutte le previsioni finali.

Strategia di Ensemble

La sottomissione finale impiega una strategia di Fusione di Eventi Pesata con Filtraggio per Accordo:

Clustering: Le previsioni di $N$ modelli sono raggruppate per (squadra, numero di maglia, classe di azione) e raggruppate in un window di $\pm 12$ fotogrammi.
Incremento per Accordo: Per i cluster supportati da $n$ modelli, il punteggio medio è moltiplicato per $(n/N)^{0.5}$ .
Filtraggio: Gli eventi previsti da meno di 2 modelli vengono scartati per sopprimere i falsi positivi (allucinazioni).
Gestione delle Eccezioni: A causa dell'estrema rarità degli eventi "Tackle" (26 occorrenze in 96 partite di addestramento) e del basso F1 per singolo modello, il filtro di accordo viene bypassato per i contrasti. Le rilevazioni di singolo modello vengono preservate per mantenere la recall per questa specifica classe.

Risultati

Il sistema ha raggiunto un punteggio Macro-F1 di 58.94 sul set di sfida.

Guadagni Progressivi: Il DST di base con il TAAD migliorato ha ottenuto 48.6 sulla sfida. L'aggiunta dell'attenzione per giocatore e l'ordine spaziale-primo ha aumentato questo valore a 55.1. L'ensemble finale a 4 modelli ha raggiunto 58.94.
Prestazioni Per-Classe: L'ensemble ha superato i modelli individuali in tutte le classi tranne che in "Tackle", dove il Modello B rimaneva il miglior performer individuale. L'ensemble ha migliorato significativamente le prestazioni sulle classi a frequenza comune-media (ad es. drive, pass, cross) sopprimendo i falsi positivi pur mantenendo la recall.
Generalizzazione: Il divario tra le prestazioni di validazione e quelle della sfida si è ridotto da circa 6 punti (modello singolo) a 2 punti (ensemble), indicando una migliore generalizzazione.

Significato e Rivendicazioni

Il documento afferma che il contributo primario risiede nell'integrazione dei meccanismi di attenzione per giocatore all'interno dell'encoder DST e nella strategia di ensemble basata sull'accordo.

L'ordine di attenzione spaziale-primo è identificato come una scelta architettonica critica che fornisce un contesto più ricco per il ragionamento temporale.
Il meccanismo di filtraggio per accordo è evidenziato come la chiave per ridurre i falsi positivi senza sacrificare la recall sulle classi frequenti, mentre la specifica eccezione per i contrasti dimostra un approccio mirato alla gestione dello sbilanciamento delle classi.
Gli autori inquadrano modestamente il loro lavoro come un miglioramento sistematico della pipeline di base fornita, dimostrando che la diversità architettonica e un rigoroso filtraggio dell'ensemble possono aumentare significativamente le prestazioni in compiti complessi di rilevamento delle azioni multi-giocatore.