SoccerTrack v2: A Full-Pitch Panoramic Video Dataset for Game State Reconstruction and Ball Action Spotting
SoccerTrack v2 introduceert een uitgebreide dataset van 932 minuten aan 4K panoramische video van tien wedstrijden op universitair niveau, waarbij volledige veldspeler-trajecten, metrieke coördinaten en aan actoren gekoppelde balactie-events worden geïntegreerd om verenigd onderzoek naar speltoestandreconstructie en het detecteren van balacties mogelijk te maken.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Om het moderne spel voetbal te begrijpen, moet men naar twee verschillende soorten informatie kijken. De eerste is een kaart van waar iedereen zich op elk gegeven moment bevindt, waarbij de beweging van elke speler en de bal over het gras wordt bijgehouden. De tweede is een logboek van wat ze daadwerkelijk doen: een pass, een schot, een tackle of een doelpunt. Jarenlang hebben onderzoekers geprobeerd deze twee zaken samen te bestuderen. De meeste beschikbare data komt van televisie-uitzendingen, waarbij de camera de actie volgt als een spotlight. Dit betekent dat wanneer de bal naar de andere kant van het veld beweegt, de spelers die in het donker achterblijven simpelweg worden genegeerd. Hun posities worden geschat of volledig weggelaten, wat het onmogelijk maakt om het volledige beeld van het spel terwijl het zich ontvouwt te zien. Zonder het hele veld te zien, is het moeilijk om te begrijpen hoe de formatie van een team verandert of hoe een specifieke actie door de hele groep resoneert.
Een team van onderzoekers van de Nagoya University en de University of Tsukuba heeft nu een nieuwe bron uitgebracht die de volledige visie en het volledige verhaal eindelijk samenbrengt. Ze noemen het SoccerTrack v2. In plaats van te vertrouwen op een camera die pan en zoomt, gebruikten ze vaste camera's die hoog boven het stadion zijn gemonteerd en het gehele speelveld in één enkel breed shot vastleggen. Deze opstelling zorgt ervoor dat geen enkele speler ooit uit het beeld verdwijnt, ongeacht waar de bal zich bevindt. De dataset bevat tien volledige wedstrijden op universiteitsniveau, wat neerkomt op meer dan 930 minuten aan continue video. Voor elk afzonderlijk frame van deze beelden hebben de onderzoekers de exacte locatie van elke speler, hun rugnummer, hun rol en bij welk team ze horen, vastgelegd. Ze hebben ook elke balactie getagd, van een eenvoudige pass tot een complexe tackle, en elke actie direct gekoppeld aan de specifieke speler die deze uitvoerde. Dit creëert een compleet, gesynchroniseerd verslag waarbij de bewegingen van de spelers en de gebeurtenissen van het spel aan elkaar zijn gekoppeld op een manier die nooit eerder mogelijk was.
De onderzoekers gebruikten deze nieuwe data om te testen hoe goed computers de wedstrijdtoestand kunnen reconstrueren en specifieke acties kunnen herkennen. Ze bouwden een systeem om spelers gedurende de gehele duur van een wedstrijd te volgen, die tot wel 45 minuten voor een enkele helft kan duren. Wanneer ze dit systeem testten op korte fragmenten van slechts 30 seconden, presteerde het behoorlijk goed en identificeerde het spelers en hun locaties correct. Echter, wanneer ze het systeem de volledige lengte van de wedstrijd lieten draaien, daalde de nauwkeurigheid aanzienlijk. Hoe langer de videosequentie werd, hoe moeilijker het voor de computer werd om bij te houden wie wie was. Het systeem begon de grip op identiteiten te verliezen, waarbij spelers werden verwisseld of volledig verloren gingen naarmate de tijd verstreek. Deze bevinding is cruciaal omdat het aantoont dat een systeem dat perfect werkt op een kort fragment van video, niet zomaets als even goed kan worden beschouwd over een volledige wedstrijd. De uitdagingen van langetermijn-tracking zijn reëel en verschillen van de uitdagingen van kortetermijnanalyse.
In een tweede experiment probeerde het team een computer te leren om balacties te herkennen, zoals een pass of een schot, met behulp van alleen de bewegingsdata van de spelers en de bal, zonder naar de videopixels zelf te kijken. Ze ontdekten dat weten waar de spelers waren genoeg was om de meeste acties met een redelijke nauwkeurigheid te raden. Echter, wanneer ze de specifieke baan van de bal aan de informatie toevoegden, verbeterde het vermogen van de computer om acties te herkennen drastisch, vooral voor gebeurtenissen die zeer snel plaatsvinden. De beweging van de bal bood een cruciale aanwijzing die de posities van de spelers alleen niet volledig konden vangen. Opvallend genoeg had de computer de meeste moeite met acties waarbij twee spelers strijden om de bal, zoals een tackle of een blokkade. Deze momenten zijn moeilijk te voorspellen omdat de uitkomst afhangt van een fysieke botsing die moeilijk te zien is door alleen te kijken naar waar de spelers staan.
De release van deze dataset onderstreept ook de beperkingen van de huidige technologie. De onderzoekers merkten op dat hoewel ze het hele veld konden zien, de camerahoek ervoor zorgde dat de bal vaak slechts uit een paar pixels bestond, waardoor het voor een computer bijna onmogelijk was om de bal direct vanuit de video te detecteren. In plaats daarvan moesten ze vertrouwen op het geregistreerde pad van de bal, dat werd gereconstrueerd uit de event logs in plaats van frame voor frame te bekijken. Dit betekent dat de huidige resultaten gebaseerd zijn op een combinatie van geobserveerde spelersbeweging en gereconstrueerde baldata. Het team wees er ook op dat de data afkomstig is van wedstrijden op universitair niveau, die anders kunnen spelen dan professionele wedstrijden, en dat de gebruikte camerasystemen vast zijn, in tegen tegenover de bewegende camera's die voor televisie worden gebruikt.
Ondanks deze beperkingenen vertegenwoordigt dit werk een grote stap voorwaarts. Door een bron te bieden waarbij het volledige veld, de volledige duur en het volledige verhaal in één pakket beschikbaar zijn, hebben de onderzoekers de wetenschappelijke gemeenschap een nieuwe standaard voor testen gegeven. Ze hebben aangetoond dat het evalueren van een systeem op basis van een kort fragment een misleidend optimistisch beeld van de prestaties kan geven. Om het spel echt te begrijpen, en om systemen te bouwen die een volledige wedstrijd kunnen volgen zonder de controle te verliezen, moeten onderzoekers hun methoden testen op de volledige lengte van de wedstrijd. SoccerTrack v2 biedt de eerste complete speeltuin voor dit soort werk, waardoor wetenschappers precies kunnen zien waar hun huidige instrumenten slagen en waar ze falen, wat de weg vrijmaakt voor een dieper begrip van het mooie spel.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.