🤖 machine learning

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

Questo articolo introduce un metodo online, privo di addestramento, chiamato role-anchored centroid voting per imputare le posizioni dei giocatori fuori campo da filmati televisivi, riducendo significativamente gli errori delle metriche spaziali del calcio e migliorando l'analisi a valle, come i punteggi di qualità del possesso, senza richiedere ulteriori dati di addestramento. Per le due finestre reali della Coppa del Mondo, i punteggi imputati non sono presentati come valori "veri", ma rappresentano un risultato di sensibilità che dimostra come i verdeti possano cambiare quando i giocatori fuori campo vengono imputati, data l'assenza di una verità di riferimento su tutto il campo nei clip televisivi.

Autori originali: Seongjin Choi

Pubblicato 2026-07-14✓ Author reviewed ⓘ

📖 6 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Seongjin Choi

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 dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di guardare una partita di calcio in TV. La telecamera segue la palla, zoomando e riprendendo i movimenti per mantenere l'azione a fuoco. Ma ecco il problema: lo schermo è troppo piccolo per mostrare tutti. In ogni dato momento, puoi vedere solo circa 10-16 dei 22 giocatori in campo. Gli altri 6-12 giocatori sono "fuori campo", invisibili ai tuoi occhi.

Per anni, i programmi informatici che cercano di analizzare il gioco (come calcolare chi controlla il campo) hanno semplicemente ignorato questi giocatori invisibili. Agivano come se i compagni mancanti non esistessero. Questo articolo sostiene che questo sia un enorme errore. È come cercare di indovinare l'esito di un tiro alla fune guardando solo le persone da un lato della corda. Se ignori la squadra invisibile, la tua matematica è sbagliata e potresti pensare che una squadra abbia il controllo quando, in realtà, sta perdendo la battaglia.

Il Grande Problema: La Distorsione "Invisibile"
Gli autori hanno impostato una simulazione per misurare quanto sia grave questo problema dei "giocatori invisibili". Hanno preso dati perfetti a campo intero (dove potevano vedere tutti i 22 giocatori) e poi hanno nascostato artificialmente quelli che la telecamera televisiva avrebbe perso.

Quando hanno ignorato i giocatori fuori campo, l'errore nei loro calcoli del "controllo del campo" (pitch control) è schizzato alle stelle. L'errore è aumentato di 25,1 - 26,9 punti percentuali. Si tratta di un divario enorme. Significa che il computer pensava che una squadra controllasse una vasta porzione del campo, quando in realtà i giocatori invisibili stavano occupando quello spazio. L'errore nel calcolo di quanto spazio una squadra "possiede" è salito di 11,1 - 13,4 punti.

La Soluzione: Una Squadra "Fantasma" che Non Richiede Addestramento
L'articolo introduce un modo intelligente e "senza addestramento" per indovinare dove si trovano i giocatori mancanti. Pensatelo come a un gioco di "segui il leader" con un tocco particolare.

Di solito, se non vedi un giocatore, potresti ipotizzare che sia rimasto dove era stato visto l'ultima volta. Ma gli autori hanno trovato un modo migliore: il Role-Anchored Centroid Voting (Voto del Centro Ancorato al Ruolo).

Ecco come funziona in parole semplici:

Il Cerchio della Squadra: Ogni giocatore di una squadra ha un "lavoro" o un ruolo specifico rispetto al centro della propria squadra. Un difensore resta vicino alla parte posteriore; un attaccante resta vicino alla parte anteriore.
Il Voto: I giocatori che puoi vedere sullo schermo votano su dove si trova il centro dell'intera squadra. Lo fanno dicendo: "Io sono qui, e di solito sono a questa distanza dal centro, quindi il centro deve essere lì".
I Fantasmi: Una volta che il computer capisce dove si trova il centro della squadra, utilizza le "distanze di ruolo" note per posizionare i "fantasmi" (giocatori immaginari) nei posti corretti per i compagni di squadra fuori campo.

Questo metodo non richiede un supercomputer, non ha bisogno di imparare da migliaia di partite passate e non ha bisogno di vedere il futuro. Utilizza semplicemente i giocatori attualmente presenti sullo schermo per indovinare dove si trovano gli altri.

Quanto ha Funzionato?
Nelle loro simulazioni, questo metodo di "voto" è stato una svolta:

Ha ridotto l'errore nel controllo delle zone nascoste di circa la metà (scendendo da circa 26 punti a 12,2–13,8 punti).
Ha ridotto l'errore nei calcoli della proprietà della squadra a solo il 28–48% di quanto prodotto dal metodo "ignora".
Per i giocatori che sono stati nascosti per un breve periodo (meno di 9,6 secondi), la stima è stata sorprendentemente accurata, con un errore mediano di soli 3,3 - 8,9 metri.

Tuttavia, l'articolo è onesto riguardo ai suoi limiti. Quando i giocatori sono nascosti per molto tempo (più di 9,6 secondi), le stime diventano più incerte, con errori che crescono fino a 15,6–16,9 metri. Gli autori osservano che, sebbene questo metodo sia ottimo per l'analisi televisiva in tempo reale, un computer con "apprendimento" che ha visto molte partite passate potrebbe fare ancora meglio se avesse il tempo di studiare e potesse sbirciare i fotogrammi futuri. Ma per una diretta televisiva dove non puoi aspettare o addestrare, questo metodo "fantasma" è lo strumento semplice più efficace disponibile.

Perché è Importante: Cambiare il Verdetto
Gli autori hanno testato questo metodo su riprese reali di una Coppa del Mondo. Hanno esaminato due momenti specifici di una partita tra Paesi Bassi e Marocco. È importante notare che, poiché non esiste una verità di base a campo intero per i clip di trasmissione, i punteggi imputati non sono presentati come valori "veri", ma come un risultato di sensibilità che dimostra come i verdetti possano cambiare quando i giocatori fuori campo vengono stimati.

In un momento, la visione "solo visibili" diceva che la squadra stava creando spazio con un punteggio di +15,6. Con l'aggiunta dei giocatori "fantasma", il punteggio è balzato a +32,8.
In un altro momento, la visione visibile indicava che il gioco era un "possesso morto" (punteggio di -10,9). Ma una volta tenuto conto dei giocatori invisibili, il punteggio è passato a +4,7, cambiando il verdetto da "morto" a "progressione debole".

Questo dimostra che ignorare i giocatori fuori campo non aggiunge solo un po' di rumore; può cambiare completamente la narrazione della partita. Aggiungendo questi "fantasmi", l'analisi diventa molto più equa, dando credito ai giocatori che stanno facendo il lavoro anche quando la telecamera non li sta guardando.

Cosa Esclude l'Articolo
Gli autori sono molto chiari su ciò che questo metodo non è.

Non è una soluzione magica che sostituisce tutta l'IA avanzata. Ammettono che se si dispone di dati di addestramento e si può vedere il futuro (come in un videogioco), un modello di IA "appreso" è comunque superiore.
Non è perfetto per i periodi di assenza prolungati. Il metodo fatica quando un giocatore è fuori campo per più di 9,6 secondi, il che accade in circa il 50–57% dei momenti con giocatori nascosti nei loro dati.
Non è un sostituto per un tracciamento perfetto dell'identità. Nella realtà, se la telecamera perde la traccia di un giocatore o non riesce a leggere il numero sulla maglia, il "fantasma" potrebbe sbagliare persona. L'articolo suggerisce che un migliore tracciamento dell'identità sia il passo successivo.

In Sintesi
Questo articolo dimostra che i giocatori "invisibili" nelle trasmissioni di calcio rappresentano un enorme punto cieco per l'analisi attuale. Usando un sistema di voto semplice e intelligente per indovinare dove si trovano, possiamo correggere una grande parte dell'errore senza bisogno di costosi addestramenti o supercomputer. Trasforma una visione parziale e distorta del gioco in una molto più accurata, dimostrando che a volte, per vedere l'immagine completa, bisogna immaginare i pezzi mancanti.

Sintesi Tecnica: Imputazione di Giocatori Off-Screen Senza Addestramento per l'Analisi Spaziale del Calcio Basata su Trasmissioni Broadcast

Problema
L'analisi spaziale del calcio, come il controllo dello spazio (pitch control), si basa fondamentalmente sulle posizioni di tutti i 22 giocatori. Tuttavia, la fonte primaria di dati posizionali per l'analisi broadcast — l'inquadratura della telecamera principale — è intrinsecamente parziale. A causa dei movimenti di pan e zoom per seguire il pallone, un tipico fotogramma broadcast rivela solo 10–16 dei 22 giocatori. Le attuali pipeline di Ricostruzione dello Stato di Gioco (GSR) spesso ignorano questi giocatori off-screen, trattandoli come assenti. Questo approccio "solo visibili" introduce un bias sistematico: le squadre con difensori fuori dall'inquadratura sembrano cedere il controllo della metà nascosta del campo, non per un fallimento tattico, ma a causa dell'inquadratura della telecamera. Sebbene questa distorsione sia riconosciuta, è stata raramente quantificata su dati aperti e le soluzioni esistenti basate su apprendimento (ad esempio, il Graph Imputer di DeepMind) si affidano a dati proprietari, osservazioni future (inferenza bidirezionale) e addestramento offline, rendendole inapplicabili per l'analisi broadcast strettamente online e in tempo reale.

Metodologia
Il documento propone un framework di imputazione online e senza addestramento che opera esclusivamente sulle osservazioni della partita in fase di analisi, senza addestramento offline o accesso a fotogrammi futuri. La metodologia centrale consiste in una "scala" di baseline, che culmina in un nuovo approccio chiamato Role-Anchored Centroid Voting (B4):

Strategie Baseline:
- B0 (Ignora): La standard baseline basata solo sui visibili.
- B1 (Ultima Posizione Vista): Mantiene l'ultima posizione osservata, decadendo verso la media della squadra visibile.
- B2 (Ancora di Formazione): Memorizza l'offset di un giocatore rispetto al centroide della squadra visibile mentre è visibile e applica tale offset al centroide della squadra visibile attuale quando il giocatore è nascosto.
- B3 (Ancora Potenziata): Combina la B2 con una Media Mobile Esponenziale (EMA) degli offset e un'estrapolazione a velocità costante.
- B4 (Role-Anchored Centroid Voting): È l'approccio proposto ottimale. Esso affronta il "bias del sottoinsieme del viewport" inerente alla B2. Quando la telecamera effettua un pan, il sottoinsieme di giocatori visibili è spazialmente distorto rispetto al vero centroide della squadra. La B4 mitiga questo problema facendo in modo che ogni giocatore visibile "voti" per il centroide dell'intera squadra. Ogni giocatore visibile $i$ propone il centroide dell'intera squadra come la propria posizione attuale meno il proprio offset di ruolo ( $p_i - off_i$ ). Il centroide votato $\hat{c}(t)$ è la media di queste proposte. Gli offset vengono aggiornati tramite EMA rispetto a questo centroide votato. I giocatori nascosti vengono imputati come $\hat{c}(t) + off_j$ . Ciò crea un bootstrap autoconsistente in cui offset e centroide si regolano mutuamente per cancellare il bias sistematico del sottoinsieme.
Protocollo di Benchmarking:
- Dati: Dati di tracking full-pitch aperti da Metrica Sports (tre partite, 25 fps).
- Simulazione: Una telecamera principale virtuale esegue un pan orizzontale seguendo la posizione del pallone mediata esponenzialmente, creando un viewport di larghezza $W$ (testata a 36m, 44m, 52m, 60m).
- Metriche: L'valutazione privilegia metriche rilevanti per le decisioni a valle rispetto alla pura fedeltà della traiettoria:
  - Errore di Posizione del Giocatore Nascosto: Distanza tra la posizione imputata e quella reale.
  - MAE della Mappa di Controllo dello Spazio: Errore nella mappa di controllo spaziale, specificamente nella zona nascosta.
  - Errore di Controllo della Percentuale di Possesso della Squadra: Errore nella metrica principale di "percentuale di campo controllato dalla Squadra A".

Contributi Chiave

Benchmark di Distorsione Riproducibile: Gli autori stabiliscono un benchmark aperto che quantifica l'errore introdotto dall'ignorare i giocatori off-screen. Dimostrano che la baseline "ignora" gonfia l'errore di controllo dello spazio nella zona nascosta di 25,1–26,9 punti percentuali e l'errore di quota di controllo di 11,1–13,4 punti.
Baseline Online Senza Addestramento: Il documento introduce una gerarchia di metodi che non richiedono dati di addestramento. Il miglior performer, il Role-Anchored Centroid Voting (B4), riduce l'errore di controllo nella zona nascosta di circa la metà (a 12,2–13,8 punti) e riduce l'errore di quota di controllo al 28–48% della baseline della policy "ignora" in tutte le larghezze di viewport.
Integrazione End-to-End: Il metodo è integrato in una pipeline GSR di video broadcast ed è testato su reali filmati della Coppa del Mondo. Lo studio mostra che l'imputazione può alterare i punteggi di qualità del possesso a valle (Space-Creation Index) di 15,6–17,2 punti. Dato l'assenza di ground truth full-pitch per i clip broadcast, questi punteggi imputati non sono presentati come valori "veri", ma rappresentano un risultato di sensibilità che dimostra come i verdeti possano cambiare quando i giocatori off-screen vengono imputati, tanto da invertire la classe del verdetto (ad esempio, da "possesso morto" a "progressione debole") in specifiche finestre di gioco.

Risultati

Performance: Con una larghezza di viewport standard di 44m, la B4 raggiunge un errore di posizione mediano di 9,7–11,6 m per i giocatori nascosti, superando la l'ancora di formazione (B2) e superando significativamente la baseline di ignorare.
Robustezza: Il metodo performa costantemente attraverso tre diverse partite e differenti larghezze di viewport. Il miglioramento è più pronunciato in viewport più stretti (più difficili) dove sono visibili meno giocatori.
Regimi di Occlusione: Nel regime di breve occlusione (≤9,6 s), paragonabile ai precedenti lavori appresi, la B4 raggiunge errori mediani di 3,3–8,9 m. Fondamentalmente, il benchmark rivela che il 50–57% delle osservazioni dei giocatori nascosti nelle riprese broadcast ricade nel regime di lunga occlusione (>9,6 s), un dominio in cui i precedenti modelli appresi bidirezionali non possono operare. La B4 fornisce una soluzione praticabile per la maggior parte di questi casi senza contesto futuro.
Ablazione: Si dimostra che il meccanismo di voto (B4) è superiore alla semplice applicazione dell'offset (B3E) perché allinea il sistema di riferimento per memorizzare gli offset con il sistema di riferimento per applicarli, evitando l'accumulo di bias.

Significatività e Rivendicazioni
Il documento mantiene una posizione modesta, dichiarando esplicitamente che gli imputer appresi rimangono preferibili quando sono disponibili dati di addestramento e contesto futuro. Tuttavia, gli autori stabiliscono tre punti critici:

Distorsione Quantificata: Dimostrano che la distorsione causata dall'ignorare i giocatori off-screen è sufficientemente grande da invalidare le metriche spaziali se non affrontata.
Floor Senza Addestramento: Forniscono una baseline di performance (B4) che i metodi appresi dovrebbero superare, provando che guadagni significativi sono possibili senza addestramento offline o risorse GPU.
Viabilità della Lunga Occlusione: Evidenziano e misurano il regime di lunga occlusione (>9,6 s), che costituisce la maggior parte delle osservazioni dei giocatori nascosti nei dati broadcast e si colloca al di fuori dello scope del lavoro appreso più vicino.

Il lavoro conclude che, per l'analisi spaziale strettamente online e basata su broadcast, un metodo senza addestramento come il Role-Anchored Centroid Voting è un componente necessario ed efficace per recuperare l'integrità spaziale, impedendo all'inquadratura della telecamera di dettare l'analisi tattica.

Articoli simili