💻 computer science

SoccerNet 2026 Challenges Results

Dit artikel presenteert de resultaten van de zesde jaarlijkse SoccerNet 2026 Challenges, waarbij de evaluatieprotocollen, leaderboards en best presterende methoden voor vijf visie-gebaseerde voetbalvideo-begripstaken worden toegelicht die 427 teams en 1.129 inzendingen hebben aangetrokken.

Oorspronkelijke auteurs: Anthony Cioppa, Silvio Giancola, Håkan Ardö, Mohamad Dalal, Jan Held, Jérémie Ochin, Jiayuan Rao, Karen Sanchez, Renaud Vandeghen, Artur Xarles, Olivier Barnich, Albert Clapés, Mathieu Delvaux, Sergio

Gepubliceerd 2026-07-09

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Anthony Cioppa, Silvio Giancola, Håkan Ardö, Mohamad Dalal, Jan Held, Jérémie Ochin, Jiayuan Rao, Karen Sanchez, Renaud Vandeghen, Artur Xarles, Olivier Barnich, Albert Clapés, Mathieu Delvaux, Sergio Escalera, Bernard Ghanem, Cédric Hons, Antoine Houet, Sotiris Manitsaris, Tom Michel, Pierre Miralles, Thomas B. Moeslund, Mikael Nilsson, Bogdan Stanciulescu, Marc Van Droogenbroeck, Yanfeng Wang, Weidi Xie, Faisal Altawijri, Mohamed Atef, Semen Budennyy, Vasiliy Chelpanov, Puhua Chen, Yixin Chen, Lechao Cheng, Jianling Chu, Ju-Seong Do, Oleg Durygin, Omar Fetouh, Mirco Fuchs, Youssef Ghallab, Falguni Ghosh, Wonjun Heo, Yufeng Hu, Weixuan Huang, Phuong-Linh Huynh-Ha, Matvey Isupov, Yangguang Ji, Siyuan Jiang, Zhenxiang Jiang, Wonyong Jo, Ho-Young Jung, SeongHeon Kang, MinJae Kim, Youngseon Kim, Jakub Komosa, Artem Konshin, Trung-Hoang Le, Jongmin Lee, Lingling Li, Litao Li, Vadim Linkov, Fang Liu, Haoxuan Ma, Shun Makino, Ismail Mathkour, Konstantin Mitin, Mikhail Moiseev, Takumi Nagaya, Yuki Nakamura, Thanh-Khoi Nguyen, Hoang-Phuc Nguyen, Trong-Thuan Nguyen, Christian Orduz, Kwanyong Park, Fabian Perez, Parthsarthi Rawat, SuHyun Rim, Hoover Rueda-Chacón, Atom Scott, Minori Sugimura, Yuyang Sun, Shengeng Tang, Minh-Triet Tran, Ikuma Uchida, Juan Vanegas, Thanh-Nhan Vo, Jiangtao Wang, Yaxiong Wang, Xiaogang Wang, Ruifeng Wang, Rio Watanabe, Jiali Wen, Yongliang Wu, Di Yang, Xu Yang, Zhuo Yang, Xinyu Ye, Yibo Yu, Zihan Zhai, Yu Zhang, Zhenyu Zhao, Zhun Zhong, Yixi Zhou, Xingyu Zhu, Wenbo Zhu, Julian Ziegler

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 of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een gigantisch, wereldwijd videogame-toernooi voor waarbij de "spelers" geen mensen zijn, maar computerprogramma's (AI) die proberen voetbalwedstrijden te begrijpen. Dit document is het officiële rapportcijfer voor de SoccerNet 2026 Challenges, het zesde jaar van deze competitie.

De organisatoren hebben vijf verschillende "niveaus" of taken ingesteld. Elk niveau test een andere vaardigheid die de AI moet beheersen om het mooie spel echt te begrijpen. Hier is een overzicht van wat er is gebeurd, met behulp van eenvoudige analogieën.

De Vijf Niveaus van het Toernooi

1. De Kristallen Bol (Ball Action Anticipation)

De Uitdaging: De AI bekijkt 30 seconden van een voetbalwedstrijd en moet raden wat er in de volgende 5 seconden gaat gebeuren.
De Analogie: Stel je voor dat je naar een film kijkt en het scherm wordt 5 seconden zwart. Je moet precies voorspellen wat de personages zullen doen wanneer het beeld weer terugkomt. Hebben ze de bal getrapt? Hebben ze gepasst?
Het Resultaat: 9 teams namen deel. De winnaar, een team genaamd FAANTRA-WS, behaalde de beste score door een "two-phase warm-up" strategie te gebruiken (zoals een hardloper die zich opwarmt voor een race) en verschillende modellen te combineren om de onzekerheid van de toekomst op te vangen.

2. De Super-Scheidsrechter (Player-Centric Ball Action Spotting)

De Uitdaging: De AI moet specifieke acties vinden (zoals een pass, een schot of een tackle), precies aangeven wanneer ze plaatsvonden, en identificeren welke specifieke speler dit deed (inclusief hun team en rugnummer).
De Analogie: Denk aan een scheidsrechter die niet alleen op de fluit blaast, maar ook direct opschrijft: "Speler #10 van het Rode Team heeft de bal gepasst om exact 12:04." Het lastige deel is dat spelers elkaar vaak blokkeren (occlusie), wat het moeilijk maakt om te zien wie wie is.
Het Resultaat: 6 teams namen deel. De winnaar, PAVE, gebruikte een "stemmechanisme". Ze lieten meerdere AI-modellen naar hetzelfde moment kijken en telden een actie pas als de modellen het eens waren over wie het deed. Dit hielp hen om de zeldzame "tackle"-bewegingen te spotten die computers normaal gesproken in verwarring brengen.

3. De Tijdreizende Fotograaf (Novel View Synthesis)

De Uitdaging: De AI krijgt een verzameling foto's van een voetbalveld vanuit verschillende hoeken en moet een nieuwe foto maken vanuit een camerahoek die hij nog nooit eerder heeft gezien.
De Analogie: Stel je voor dat je een 360-gradenfoto van een kamer hebt. Als je je ogen sluit en je voorstelt dat je in de hoek staat, moet de AI precies "schilderen" hoe die hoek eruit zou zien, inclusief de grastextuur en de spelers, ook al was daar nooit een camera aanwezig.
Het Resultaat: 65 teams namen deel. De winnaar, DENSER, loste een probleem op waarbij standaard AI moeite had met lage camerastandpunten (zoals camera's dicht bij de grond). Ze gebruikten een "diepte-gids" om de AI te helpen het 3D-vorm van het veld beter te begrijpen, waardoor ze een veel scherpere afbeelding creëerden dan de baseline.

4. De GPS-Tracker (Spiideo SoccerNet Synloc)

De Uitdaging: De AI bekijkt één enkele, hoogwaardige foto van de helft van het veld, genomen vanuit een statische camera (zoals een beveiligingscamera), en moet de exacte werkelijke locatie van de heupen van elke speler bepalen.
De Analogie: Stel je voor dat je naar een kaart van een stad kijkt vanuit een drone. Je ziet kleine stipjes die auto's vertegenwoordigen. De AI moet zeggen: "Dat stipje bevindt zich exact op 5th Avenue en 42nd Street," zelfs als het stipje heel klein en ver weg is.
Het Resultaat: 88 teams namen deel. De winnaar, SELab, gebruikte een "slimme tegelsmethode" (smart tiling). In plaats van te proberen het hele veld in één keer te zien, zoomden ze in op specifieke gebieden om de spelers te vinden, en gebruikten ze vervolgens geometrie om hun posities naar de echte grond te mappen. Ze waren ongelooflijk nauwkeurig en versloegen de baseline met een enorme marge.

5. De Sport-Quizmeester (Visual Question Answering)

De Uitdaging: De AI wordt getoond een video of afbeelding en krijgt een meerkeuzevraag over deze. De vragen kunnen gaan over de score, de namen van de spelers of complexe gamesituaties.
De Analogie: Het is als een trivia-game show. De presentator laat een clip zien en vraat: "Wie scoorde het doelpunt in de 88e minuut?" of "Welke kleur heeft het shirt van de keeper?" De AI moet het juiste antwoord kiezen uit vier opties.
Het Resultaat: Er werden 76 inzendingen gedaan. De winnaar, vitomeme, gokte niet zomaar; ze gebruikten een "routing-systeem". Ze analyseerden eerst de vraag: als het over feiten ging, zochten ze gegevens op; als het over de video ging, keken ze nauwlettend toe. Ze behaalden een nauwkeurigheid van 98%, wat bijna perfect is.

Het Grotere Plaatje

In totaal namen 427 teams uit de hele wereld deel met meer dan 1.100 inzendingen.

Het paper benadrukt een aantal belangrijke trends die de winnaars hielpen te slagen:

Hogere Resolutie: Het geven van scherpere, duidelijkere beelden aan de AI (zoals overschakelen van een wazige telefooncamera naar een 4K-televisie) hielp hen om kleine details te zien.
Teamwerk: De beste systemen combineerden vaak de voorspellingen van verschillende AI-modellen (zoals een commissie van experts die stemmen) in plaats van afhankelijk te zijn van slechts één model.
Gebruik van de Regels: De winnaars keken niet alleen naar pixels; ze gebruikten de "regels" van het voetbal, zoals weten onder welke hoek de camera staat of hoe spelers bewegen, om slimmere gokken te doen.

Het paper concludeert dat hoewel deze AI-systemen erg goed worden, ze nog steeds worstelen met de meest chaotische delen van het voetbal, zoals wanneer spelers achter elkaar verborgen zijn of wanneer de actie zeer snel verloopt. Het doel van deze uitdagingen is om de technologie verder te pushen, zodat we uiteindelijk computers kunnen hebben die voetbal net zo goed begrijpen als een menselijke fan.

Technische Samenvatting: Resultaten van de SoccerNet 2026 Challenges

1. Probleemdefinitie en Context

De SoccerNet 2026 Challenges vormen de zesde jaarlijkse iteratie van een open benchmarking-inspanning die is ontworpen om computer vision-onderzoek in sportvideo's te bevorderen. Terwijl eerdere edities zich richtten op taken zoals actie-detectie (action spotting) en camerakalibratie, breidt de editie van 2026 de scope uit naar vijf afzonderlijke visie-gebaseerde taken die de unieke moeilijkheden van voetbaluitzendingen aanpakken: kleine, visueel gelijkaardige spelers, frequente occlusies, schaarse gebeurtenissen in lange ongesneden video's en abrupte veranderingen in het camerastandpunt.

De vijf specifieke challenges zijn:

Ball Action Anticipation (BAA): Het voorspellen van de timing en klasse van balgerelateerde acties binnen een venster van 5 seconden in de toekomst, gebaseerd op een voorafgaand observatievenster van 30 seconden.
Player-Centric Ball Action Spotting (PCBAS): Het temporeel lokaliseren en classificeren van balgerelateerde acties, terwijl elke actie wordt toegewezen aan een specifieke speler via teamaffiliatie en rugnummer.
Novel View Synthesis (NVS): Het renderen van fotorealistische beelden vanuit ongeziene camerastandpunten in multi-view voetbal-scènes.
Spiideo SoccerNet Synloc (SSS): Het lokaliseren van atleten in werkelijke pitch-coördinaten vanuit een enkele gekalibreerde statische camera-afbeelding.
Visual Question Answering (VQA): Het beantwoorden van meerkeuzevragen over voetbaluitzendingen met behulp van tekst-, beeld- en video-inputs.

Het initiatief beoogt het verstrekken van gedeelde data, verenigde evaluatieprotocollen en publieke baselines om reproduceerbaarheid en vergelijkbaarheid tussen methoden te waarborgen.

2. Methodologie en Challenge-structuur

2.1 Data en Protocollen

Elke taak maakte gebruik van specifieke datasets en evaluatiemetrieken:

BAA: Gebruikte de SN-BAA dataset (English Football League). Evaluatie paste de gemiddelde Average Precision (mAP) aan voor anticipatie, waarbij scores werden gemiddeld over temporele toleranties ( $\delta \in \{1, 2, 3, 4, 5, \infty\}$ ).
PCBAS: Gebaseerd op de FOOTPASS dataset met 8 actieklassen. Evaluatie gebruikte de macro F1-score bij een lage betrouwbaarheidsdrempel ( $\tau=0.15$ ), waarbij exacte overeenkomsten vereist zijn voor de actieklasse, het team en het rugnummer binnen $\pm 12$ frames.
NVS: Een synthetische dataset gegenereerd via Blender vanuit echte broadcast-beelden, die 4K-beelden en COLMAP camera-parameters biedt. Evaluatie gaf prioriteit aan PSNR voor ranking, naast SSIM en LPIPS.
SSS: Maakte gebruik van statische camera-afbeeldingen die de helft van een pitch beslaan. De primaire metriek was mAP-LocSim, die detectie- en lokalisatienauwkeurigheid weegt op basis van de werkelijke afstandstolerantie ( $\tau=1$ m).
VQA: Gebaseerd op SoccerAgent en SoccerBench, dekkend over 14 categorieën (tekst, beeld, video). Evaluatie was strikt gebaseerd op antwoordnauwkeurigheid op een 500-vragen challenge split.

2.2 Toonaangevende Methodologische Benaderingen

De winnende inzendingen over de taken vertoonden verschillende terugkerende technische thema's:

Anticipatie (BAA): De winnaar, FAANTRA-WS, paste de officiële baseline aan met hoog-resolutie temporele modellering (448p frames) en een twee-fasen warm-start trainingsrecept. Belangrijke innovaties waren asymmetrische logit-ensembling van verschillende RegNetY checkpoints en klasse-gewogen losses om zeldzame klassen te behandelen. Andere teams verbeterden de prestaties door de inputresolutie te verhogen en vision-language modellen (VLMs) te gebruiken om tactische context te extraheren.
Spotting (PCBAS): De winnaar, PAVE, verbeterde de Track-Aware Action Detection (TAAD) en Denoising Sequence Transduction (DST) frameworks. Het introduceerde per-speler aandachtmechanismen en een voting-ensemble van vier varianten. Cruciaal was dat het agreement filtering toepaste om fout-positieven te onderdrukken terwijl de recall voor zeldzame klassen zoals "Tackle" behouden bleef.
Novel View Synthesis (NVS): De winnaar, DENSER, pakte een kritieke distributie-mismatch aan waarbij beelden vanaf grondniveau ondervertegenwoordigd waren in de training. Het breidde EFA-GS (een alias-vrije Gaussian splatting methode) uit met camera-hoogte-gebaseerde loss-weging (tot 5 $\times$ gewicht voor grond-views), schaal-en-shift-invariante diepte-supervisie, en een drie-model pixel-average ensemble.
Synloc (SSS): De winnaar, Boundary-Aware Adaptive Tiling, maakte gebruik van een top-down framework. Het breidde dynamisch vaste grid-crops uit op basis van grove detecties om volledige object-containment te garanderen. Het paste RTMPose-X aan om alleen het bekken en de projectie daarvan op de grond te voorspellen, waarbij fysieke koppeling werd afgedwongen via een twee-keypoint estimator, en gebruikte deterministische ray casting om 2D-projecties te liften naar metrische wereldcoördinaten.
VQA: De winnaar, Frontier VLMs, maakte gebruik van een taak-gerouteerd elicitatiesysteem. In plaats van één prompt, routeerde de pipeline vragen naar vier paradigma's: kennisgronding (knowledge grounding), visuele prompting, redeneerdecompositie (reasoning decomposition) en temporele begrip (temporal understanding). Het maakte gebruik van gestructureerde metadata (SoccerAgent/SoccerWiki) en visuele prompts (genummerde player boxes) om de Gemini-3.1-Pro reasoning engine te sturen.

3. Belangrijkste Resultaten

De deelname was substantieel, met 427 teams die 1.129 inzendingen leverden over de vijf taken. Alleen teams die beoordeelde technische rapporten hadden ingediend, werden opgenomen in de definitieve leaderboards.

Ball Action Anticipation: Het topteam (FAANTRA-WS) bereikte een mAPavg van 24.08, waarmee het de baseline met 7.32 punten versloeg.
Player-Centric Ball Action Spotting: Het topteam (FSITAHAKOMPCBAS-1) bereikte een Macro F1@0.15 van 58.94, een verbetering van 12.5 punten ten opzichte van de baseline. De "Tackle" klasse bleef de moeilijkste categorie vanwege occlusie en zeldzaamheid.
Novel View Synthesis: Het topteam (Sarthi-GameChanger) bereikte een PSNR van 29.89, wat een verbetering is van 3.15 dB ten opzichte van de 3DGS baseline. Echter, de beste methode verbeterde de LPIPS niet ten opzichte van de Triangle Splatting baseline, wat wijst op een trade-off tussen PSNR en perceptuele kwaliteit.
Spiideo SoccerNet Synloc: Het topteam (SELabSoccerSSS-1) bereikte een mAP-LocSim van 97.67 en een Frame Accuracy van 81.91%, wat de baseline (77.30 mAP-LocSim) aanzienlijk versloeg.
Visual Question Answering: Het topteam (vitomeme) bereikte een nauwkeurigheid van 98.0% op de 500-vragen split, vergeleken met een random baseline van 25.0%.

4. Betekenis en Bijdragen

Het paper claimt drie primaire bijdragen:

Documentatie: Het biedt een enkel referentiepunt voor de definities, datasets en evaluatiescores van de vijf 2026 taken.
Benchmarking: Het presenteert de challenge leaderboards op held-out splits en vat de originele bijdragen van leidende inzendingen samen, waarbij specifieke ontwerpkeuzes (bijv. ensembling, resolutie-scaling, taak-routing) worden geïdentificeerd die de prestaties hebben gedreven.
State-of-the-Art Analyse: Het synthetiseert terugkerende methodologische thema's, waarbij wordt opgemerkt dat vooruitgang wordt gedreven door rijkere contextuele representaties, model-ensembles en het expliciet gebruik van domeinstructuren (bijv. camerageometrie, tactische kenmerken).

De auteurs benadrukken dat de challenges succesvol het risico op niet-reproduceerbare evaluaties hebben verminderd en de drempels voor deelname hebben verlaagd voor teams zonder grote eigen datasets. De resultaten geven aan dat hoewel er aanzienlijke vooruitgang is geboekt, er nog steeds uitdagingen zijn bij het omgaan met occlusies, zeldzame actieklassen en de integratie van multimodale redenering met fijnmazige perceptie. Het paper concludeert door de toewijding van de SoccerNet-initiatief te bevestigen aan het behoud van open datasets en gestandaardiseerde protocollen om reproduceerbaar onderzoek in sportvideo-begrip te ondersteunen.