🤖 machine learning

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

Dit artikel introduceert een trainingsvrije, online methode genaamd role-anchored centroid voting om posities van spelers buiten het beeld te imputeren vanuit uitzendbeelden, wat de fouten in ruimtelijke voetbalmetrieken aanzienlijk vermindert en downstream-analyses zoals scores voor bezitskwaliteit verbetert zonder dat er aanvullende trainingsdata nodig is. Voor de twee echte World Cup-windows worden de geïmputeerde scores niet gepresenteerd als ‘ware’ waarden, maar als een gevoeligheidsresultaat dat aantoont hoe oordelen kunnen veranderen wanneer spelers buiten het beeld worden geïmputeerd, gezien het ontbreken van volledige grondwaarheid op het veld voor uitzendbeelden.

Oorspronkelijke auteurs: Seongjin Choi

Gepubliceerd 2026-07-14✓ Author reviewed ⓘ

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Seongjin Choi

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

Stel je voor dat je een voetbalwedstrijd op tv kijkt. De camera volgt de bal, zoomt in en beweegt mee om de actie in beeld te houden. Maar hier is de crux: het scherm is te klein om iedereen te tonen. Op elk gegeven moment kun je slechts ongeveer 10 tot 16 van de 22 spelers op het veld zien. De andere 6 tot 12 spelers zijn "off-screen", onzichtbaar voor je ogen.

Jarenlang hebben computerprogramma's die de wedstrijd proberen te analyseren (zoals het berekenen wie het veld beheerst) deze onzichtbare spelers simpelweg genegeerd. Ze gedroegen zich alsof de ontbrekende teamgenoten niet bestonden. Dit artikel betoogt dat dit een enorme fout is. Het is alsof je probeert de uitkomst van een touwtrekken te raden door alleen naar de mensen aan één kant van het touw te kijken. Als je het onzichtbare team negeert, klopt je wiskunde niet en denk je misschien dat een team de controle heeft, terwijl ze in werkelijkheid de strijd aan het verliezen zijn.

Het Grote Probleem: De "Onzichtbare" Verstoring
De auteurs hebben een simulatie opgezet om te meten hoe erg dit probleem van de "onzichtbare speler" is. Ze namen perfecte, volledige veldgegevens (waarbij ze alle 22 spelers konden zien) en verstopten vervolgens kunstmatig degenen die de tv-camera zou missen.

Wanneer ze de spelers buiten het beeld negeerden, schoot de fout in hun berekeningen van de "pitch control" omhoog. De fout nam met 25,1 tot 26,9 procentpunten toe. Dat is een enorme kloof. Het betekent dat de computer dacht dat een team een groot deel van het veld controleerde, terwijl de onzichtbare spelers die ruimte in werkelijkheid bezetten. De fout bij het berekenen hoeveel van het veld een team "bezit", steeg met 11,1 tot 13,4 punten.

De Oplossing: Een "Ghost" Team Dat Geen Training Nodig Heeft
Het artikel introduceert een slimme, "training-vrije" manier om te raden waar de ontbrekende spelers zich bevinden. Denk aan een spelletje "volg de leider" met een twist.

Normaal gesproken, als je een speler niet kunt zien, neem je misschien aan dat hij bleef waar hij voor het laatst werd gezien. Maar de auteurs vonden een betere manier: Role-Anchored Centroid Voting.

Zo werkt het in begrijpelijke taal:

De Teamhuddle: Elke speler in een team heeft een specifieke "taak" of rol ten opzichte van het centrum van hun team. Een verdediger blijft dicht bij de achterlijn; een aanvaller blijft dicht bij de voorkant.
De Stemming: De spelers die je wel op het scherm ziet, stemmen over waar het centrum van het hele team zich bevindt. Zij doen dit door te zeggen: "Ik ben hier, en ik ben meestal deze afstand van het centrum verwijderd, dus het centrum moet daar zijn."
De Ghosts: Zodra de computer heeft uitgevogeld waar het centrum van het team is, gebruikt het de bekende "taakafstanden" om "ghosts" (fantoomspelers) op de juiste plekken te plaatsen voor de teamgenoten die buiten het beeld vallen.

Deze methode heeft geen supercomputer nodig, heeft geen training nodig van duizenden eerdere wedstrijden en hoeft de toekomst niet te kennen. Het gebruikt simpelweg de spelers die momenteel op het scherm staan om te raden waar de anderen zijn.

Hoe Goed Werkte Het?
In hun simulaties was deze "stemmethode" een game-changer:

Het verminderde de fout in de controle van verborgen zones met ongeveer de helft (van ~26 punten naar 12,2–13,8 punten).
Het verminderde de fout in de berekeningen van teambezit tot slechts 28–48% van wat de "negeer"-methode produceerde.
Voor spelers die kortstondig verborgen waren (minder dan 9,6 seconden), was de gok verrassend accuraat, met een mediane fout van slechts 3,3 tot 8,9 meter.

De auteurs zijn echter eerlijk over hun beperkingen. Wanneer spelers lang worden verborgen (langer dan 9,6 seconden), worden de gissingen vager, waarbij de fouten groeien naar 15,6–16,9 meter. De auteurs merken op dat hoewel deze methode geweldig is voor real-time tv-analyse, een "lerende" computer die veel eerdere wedstrijden heeft gezien, zelfs beter zou kunnen presteren als die de tijd had om te studeren en in toekomstige frames kon kijken. Maar voor een live uitzending waarbij je niet kunt wachten of trainen, is de "ghost"-methode het beste eenvoudige hulpmiddel dat beschikbaar is.

Waarom Het Er Toe Doet: Het Vonnis Veranderen
De auteurs testten dit op echte beelden van het WK. Ze keken naar twee specifieke momenten in een wedstrijd tussen Nederland en Marokko. Omdat er bij broadcast-opnames geen volledige grondwaarheid (ground truth) beschikbaar is voor het hele veld, zijn de ingevulde scores niet de 'ware' waarden, maar illustreren ze een gevoeligheidsresultaat: hoe de conclusies kunnen veranderen wanneer off-screen spelers worden ingevuld.

In één moment zei de "alleen zichtbare" weergave dat het team ruimte creëerde met een score van +15,6. Met de toegevoegde "ghost"-spelers sprong de score naar +32,8.
In een ander moment zei de zichtbare weergave dat de actie een "dead possession" was (een score van -10,9). Maar zodra de onzichtbare spelers werden meegerekend, sloeg de score om naar +4,7, waardoor het vonnis veranderde van "dead" naar "weak progression".

Dit bewijst dat het negeren van spelers buiten het beeld niet alleen een klein beetje ruis toevoegt; het kan het hele verhaal van de wedstrijd volledig veranderen. Door deze "ghosts" toe te voegen, wordt de analyse veel eerlijker, waardoor credit wordt gegeven aan de spelers die het werk doen, zelfs wanneer de camera niet naar hen kijkt.

Wat het Papier Uitsluit
De auteurs zijn zeer duidelijk over wat deze methode niet is.

Het is geen magische oplossing die alle geavanceerde AI vervangt. Ze geven toe dat als je trainingsdata hebt en de toekomst kunt zien (zoals in een videogame-replay), een "geleerd" AI-model nog steeds beter is.
Het is geen perfecte oplossing voor lange, verborgen periodes. De methode worstelt wanneer een speler langer dan 9,6 seconden buiten beeld is, wat gebeurt in ongeveer 50–57% van de momenten met verborgen spelers in hun data.
Het is geen vervanging voor perfecte identiteitsregistratie. In de praktijk, als de camera een speler uit het oog verliest of het rugnummer niet kan lezen, kan de "ghost" de verkeerde persoon krijgen. Het artikel suggereert dat betere identiteitsregistratie de volgende stap is.

De Kernboodschap
Dit artikel laat zien dat de "onzichtbare" spelers in voetbaluitzendingen een enorme blinde vlek vormen voor de huidige analyse. Door een eenvoudig, slim stemmechanisme te gebruiken om te raden waar ze zijn, kunnen we een groot deel van de fout herstellen zonder dat er dure training of supercomputers nodig zijn. Het verandert een bevooroordeeld, incompleet beeld van de wedstrijd in een veel nauwkeuriger beeld, en bewijst dat je soms de ontbrekende stukjes moet visualiseren om het hele plaatje te zien.

Technische Samenvatting: Training-vrije Imputatie van Off-screen Spelers voor Broadcast-gebaseerde Ruimtelijke Voetbalanalyse

Probleemstelling
Ruimtelijke voetbalanalyse, zoals pitch control, is fundamenteel afhankelijk van de posities van alle 22 spelers. De primaire bron van positionele data voor broadcast-analyse—het hoofdcamera-beeld—is echter inherent incompleet. Door het panen en zoomen om de bal te volgen, onthult een typisch broadcast-frame slechts 10–16 van de 22 spelers. Huidige Game State Reconstruction (GSR) pipelines negeren deze off-screen spelers vaak en behandelen hen als afwezig. Deze "alleen-zichtbare" benadering introduceert een systematische bias: teams met verdedigers die off-screen zijn, lijken de controle over de verborgen helft van het veld op te geven, niet door tactische tekortkomingen, maar door de camerakadering. Hoewel deze vervorming wordt erkend, is deze zelden gekwantificeerd op open data, en bestaande geleerde oplossingen (bijv. DeepMind's Graph Imputer) vertrouwen op propriëtaire data, toekomstige observaties (bidirectionale inferentie) en offline training, waardoor ze ongeschikt zijn voor strikt online, real-time broadcast-analyse.

Methodologie
Het paper stelt een training-vrij, online imputatie-framework voor dat uitsluitend opereert op basis van observaties van de geanalyseerde wedstrijd, zonder offline training of toegang tot toekomstige frames. De kernmethodologie bestaat uit een "ladder" van baselines, culminerend in een nieuwe aanpak genaamd Role-Anchored Centroid Voting (B4):

Baseline Strategieën:
- B0 (Negeren): De standaard zichtbare-alleen baseline.
- B1 (Laatst-gezien): Houdt de laatst geobserveerde positie vast, met een verval richting het zichtbare teamgemiddelde.
- B2 (Formatie Anker): Slaat de offset van een speler ten opzichte van het zichtbare team-centroid op terwijl deze zichtbaar is, en past deze offset toe op het huidige zichtbare centroid wanneer de speler verborgen is.
- B3 (Verbeterd Anker): Combineert B2 met Exponentially Moving Average (EMA) offsets en constant-velocity extrapolatie.
- B4 (Role-Anchored Centroid Voting): Dit is de voorgestelde optimale methode. Het adresseert de "viewport subset bias" die inherent is aan B2. Wanneer de camera panert, is de zichtbare subset van spelers ruimtelijk gebiased ten opzichte van het ware team-centroid. B4 verzacht dit door elke zichtbare speler te laten "stemmen" voor het volledige team-centroid. Elke zichtbare speler $i$ stelt het volledige team-centroid voor als zijn huidige positie minus zijn opgeslagen rol-offset ( $p_i - off_i$ ). Het gestemde centroid $\hat{c}(t)$ is het gemiddelde van deze voorstellen. Offsets worden vervolgens bijgewerkt via EMA relatief aan dit gestemde centroid. Verborgen spelers worden geïmputeerd als $\hat{c}(t) + off_j$ . Dit creëert een zelfconsistent bootstrap waarbij offsets en het centroid wederzijds worden aangepast om systematische subset-bias te elimineren.
Benchmarking Protocol:
- Data: Open full-pitch tracking data van Metrica Sports (drie wedstrijden, 25 fps).
- Simulatie: Een virtuele hoofdcamera panert horizontaal de exponentieel gesmoothde balpositie volgend, wat een viewport creëert met breedte $W$ (getest op 36m, 44m, 52m, 60m).
- Metrics: De evaluatie geeft prioriteit aan downstream beslissingsrelevante metrieken boven pure traject-getrouwheid:
  - Hidden-Player Position Error: Afstand tussen geïmputeerde en ware positie.
  - Pitch-Control Map MAE: Fout in de ruimtelijke controlekaart, specifiek in de verborgen zone.
  - Team Control-Share Error: Fout in de headline metriek van "percentage van het veld gecontroleerd door Team A."

Belangrijkste Bijdragen

Reproduceerbare Distortie Benchmark: De auteurs stellen een open benchmark vast die de fout kwantificeert die wordt geïntroduceerd door het negeren van off-screen spelers. Ze demonstreren dat de "ignore" baseline de pitch-control fout in de verborgen zone met 25,1–26,9 procentpunten en de control-share fout met 11,1–13,4 punten opblaast.
Training-vrije Online Baselines: Het paper introduceert een hiërarchie van methoden die geen trainingdata vereisen. De beste performer, Role-Anchored Centroid Voting (B4), vermindert de control-fout in de verborgen zone met ongeveer de helft (naar 12,2–13,8 punten) en brengt de control-share error terug naar 28–48% van de ignore-policy baseline over alle viewport-breedtes.
End-to-End Integratie: De methode is geïntegreerd in een broadcast-video GSR-pipeline en getest op echte World Cup beelden. Gezien het ontbreken van full-pitch ground truth voor deze broadcast-klips, worden de geïmputeerde scores niet gepresenteerd als 'ware' waarden, maar als een gevoeligheidsresultaat dat aantoont hoe verdicts kunnen veranderen wanneer off-screen spelers worden geïmputeerd. De studie toont aan dat imputatie de downstream bezit-kwaliteit scores (Space-Creation Index) met 15,6 tot 17,2 punten kan veranderen, wat voldoende is om de verdict class (bijv. van "dead possession" naar "weak progression") in specifieke game-windows te wijzigen.

Resultaten

Prestaties: Bij een standaard viewport breedte van 44m bereikt B4 een mediane positiefout van 9,7–11,6 m voor verborgen spelers, waarmee het de formatie-anker (B2) overtreft en significant beter presteert dan de ignore baseline.
Robuustheid: De methode presteert consistent over drie verschillende wedstrijden en variërende viewport-breedtes. De verbetering is het meest uitgesproken in smallere (moeilijkere) viewports waar minder spelers zichtbaar zijn.
Occlusie Regimes: In het korte occlusie-regime (≤9,6 s), vergelijkbaar met eerder geleerd werk, bereikt B4 mediane fouten van 3,3–8,9 m. Cruciaal is dat de benchmark onthult dat 50–57% van de verborgen-speler observaties in broadcast-footage vallen in het lange occlusie-regime (>9,6 s), een domein waar eerdere bidirectionale geleerde modellen niet kunnen opereren. B4 biedt een levensvatbare oplossing voor het merendeel van deze gevallen zonder toekomstige context.
Ablatie: De stemmechanisme (B4) wordt getoond superieur aan eenvoudige offset toepassing (B3E) omdat het het referentiekader voor het opslaan van offsets afstemt op het referentiekader voor het toepassen ervan, wat de accumulatie van bias voorkomt.

Betekenis en Claims
Het paper neemt een bescheiden positie in en stelt expliciet dat geleerde imputers de voorkeur genieten wanneer trainingdata en toekomstige context beschikbaar zijn. De auteurs vestigen echter drie cruciale punten:

Gekwantificeerde Distortie: Ze demonstreren dat de distortie veroorzaakt door het negeren van off-screen spelers groot genoeg is om ruimtelijke metrieken ongeldig te maken als deze niet worden geadresseerd.
Training-vrije Vloer: Ze bieden een prestatie-baseline (B4) die geleerde methoden moeten overtreffen, wat bewijst dat significante winsten mogelijk zijn zonder offline training of GPU-resources.
Long-Occlusion Viability: Ze benadrukken en scoren het lange occlusie-regime (>9,6 s), dat het merendeel van de verborgen-speler observaties in broadcast-data vormt en buiten de scope ligt van het dichtstbijzijnde eerdere geleerde werk.

Het werk concludeert dat voor strikt online, broadcast-gebaseerde analyse, een training-vrije methode zoals Role-Anchored Centroid Voting een noodzakelijke en effectieve component is om de ruimtelijke integriteit te herstellen, zodat camerakadering de tactische analyse niet dicteert.

Meer zoals dit