技術要約：SoccerNet 2026 プレイヤー中心のボールアクション・スポッティング

問題提起

本論文は、SoccerNet 2026 コンペティションにおける**プレイヤー中心のボールアクション・スポッティング（Player-Centric Ball Action Spotting）**の課題に取り組んでいる。目的は、ビデオシーケンス内において、個々のプレイヤーが行った特定のボール関連のアクション（例：パス、シュート、タックル）を検出および局所化することである。システムは、単なるフレームレベルの分類を超え、フレームのタイムスタンプ、アクションクラス、およびプレイヤーの役割を含む構造化されたイベントシーケンスを出力しなければならない。

手法

提案されたシステムは、主催者が確立した2段階のパイプラインに従っており、**トラック認識型アクション検出器（Track-Aware Action Detector: TAAD）とデノイジング・シーケンス変換（Denoising Sequence Transduction: DST）**モデルで構成される。著者らは、両方のステージに対して特定のアーキテクチャおよび学習の修正を導入しており、最終的に合意に基づくアンサンブル戦略へと結実させている。

ステージ1：トラック認識型アクション検出器（TAAD）の改良

X3Dアーキテクチャに依存するベースラインのTAADは、時間的依存関係をより良く捉えるために強化された：

• Temporal Transformerの統合： フレームを独立して分類する代わりに、システムはROIに整列された特徴量（プレイヤーごと、フレームごと）を256次元の空間に投影する。これらは4層のトランスフォーマーエンコーダ（8つのアテンションヘッド、1024次元のフィードフォワード次元）を通じて処理され、学習可能な位置エンコーディング（最大50フレーム）を持つ。これにより、モデルは9クラス分類のための512次元空間への投影前に、時間的パターンを推論することが可能になる。
• 学習の洗練： 著者らは、学習率の更新を停止させていた以前のウォームアップスケジューラのバグを修正した。追加の修正には以下が含まれる：
  • X3Dバックボーンを除くすべてのレイヤーに対するコサインアニーリングスケジューラ（バックボーンは固定LRを使用）。
  • $1/\sqrt{8}$ でスケーリングされた学習率。
  • 背景クラスの重みを減少（0.05）させ、エポック16からトラックレット数を4から6に増加。
  • 得られたロジットは、後続のDSTステージの凍結された入力として扱われる。

ステージ2：デノイジング・シーケンス変換（DST）の改良

DSTコンポーネントは、ゲーム状態の特徴量とTAADのロジットを、自己回帰型トランスフォーマーを介して構造化されたイベントシーケンスに変換する。主な革新は以下の通りである：

• プレイヤーごとのアテンションメカニズム： ベースラインのエンコーダは、26のロール（役割）を持つ特徴ベクトルをフラットな入力として扱っていた。提案手法では、2段階のアテンションメカニズムを導入している：
  1. 空間アテンション（ステージ1）： クロスプレイヤー・アテンション。特定のタイムステップにおける全26人のプレイヤーが互いにアテンションを向け、空間的な構成を捉える。
  2. 時間アテンション（ステージ2）： 各プレイヤーの表現に対して時間軸方向に独立して適用されるセルフアテンションであり、状態の進化をモデル化する。
  • 注記： 実験により、このアテンションメカニズムにおいて、TAADのロジットを除外し、ゲーム状態の特徴量（位置、速度、可視性）のみを使用することが優れた性能をもたらすことが示された。
• 空間優先の順序付け： 空間アテンションを時間アテンションの前に処理することが極めて重要であり、逆の順序と比較して検証セットにおいて+1.87%のMacro-F1向上をもたらした。
• アンサンブルのためのアーキテクチャの多様性： 多様性を確保するために、異なるハイパーパラメータを用いて4つの異なるDSTモデル（A–D）を訓練した：
  • モデル A： 基本構成（隠れ次元 512、アテンション層 1）。
  • モデル B： 隠れ次元の増加（768）。
  • モデル C： アテンションの深さの増加（2層）および次元の増加（dp=128）。
  • モデル D： 並列アテンションアーキテクチャ。空間と時間のブランチが独立して入力を処理し、それらが合算される。
• 推論の最適化： 著者らは、クラスごとの閾値に基づいてロジット調整温度（$\tau$）を最適化すると、検証セットへの過学習を招くことを見出した。そのため、最終的なすべての予測に対して $\tau=0$ とデフォルトの閾値を採用した。

アンサンブル戦略

最終的な提出物には、合意フィルタリングを用いた重み付きイベント融合戦略が採用されている：

1. クラスタリング： $N$ 個のモデルによる予測を、（チーム、シャツ番号、アクションクラス）ごとにグループ化し、$\pm 12$ フレームのウィンドウ内でクラスタリングする。
2. 合意によるブースト： $n$ 個のモデルによって支持されているクラスターに対し、平均スコアに $(n/N)^{0.5}$ を乗じる。
3. フィルタリング： 偽陽性（幻覚）を抑制するため、2つ未満のモデルによって予測されたイベントは破棄される。
4. 例外処理： 「タックル」イベントの極端な希少性（96試合のトレーニングデータ中26回のみ）と、モデルごとの低いF1スコアを考慮し、タックルの場合は合意フィルタリングをバイパスする。この特定のクラスに対する再現率（Recall）を維持するため、単一モデルによる検出も保持される。

結果

システムは、チャレンジセットにおいて Macro-F1 スコア 58.94 を達成した。

• 段階的な向上： 改良されたTAADを備えたベースラインDSTのチャレンジスコアは48.6であった。プレイヤーごとのアテンションと空間優先の順序を追加することで、これが55.1に上昇した。最終的な4モデルのアンサンブルは58.94に達した。
• クラス別性能： アンサンブルは、「タックル」を除くすべてのクラスで個別モデルを上回った（タックルではモデルBが最も強力な個別性能を示した）。アンサンブルは、偽陽性を抑制しつつ再現率を維持することで、一般的または中程度の頻度のクラス（例：ドライブ、パス、クロス）の性能を大幅に向上させた。
• 汎化性能： 検証セットとチャレンジセットの間の差は、単一モデルの約6ポイントからアンサンブルの2ポイントへと縮小しており、これは汎化性能の向上を示している。

意義と主張

本論文は、主要な貢献はDSTエンコーダ内におけるプレイヤーごとのアテンションメカニズムの統合と、合意に基づくアンサンブル戦略にあると主張している。

• 空間優先のアテンション順序は、時間的推論に対してより豊かなコンテキストを提供する重要なアーキテクチャ上の選択肢として特定されている。
• 合意フィルタリングメカニズムは、頻出クラスの再現率を犠牲にすることなく偽陽性を減らすための鍵として強調されており、特に「タックル」イベントに対する例外処理は、クラス不均衡に対するターゲットを絞ったアプローチを示している。
• 著者らは、自らの研究を、提供されたベースライン・パイプラインに対する体系的な改善として控えめに位置づけており、アーキテクチャの多様性と厳格なアンサンブル・フィルタリングが、複雑なマルチプレイヤーのアクション・スポッティング・タスクにおいて性能を大幅に向上させ得ることを示している。