Resumo Técnico: Detecção de Ações de Bola Centrada no Jogador - SoccerNet 2026

Definição do Problema

O artigo aborda o desafio da Detecção de Ações de Bola Centrada no Jogador dentro da competição SoccerNet 2026. O objetivo é detectar e localizar ações específicas relacionadas à bola (ex: passe, chute, desarme) realizadas por jogadores individuais em sequências de vídeo. O sistema deve fornecer sequências de eventos estruturadas, compreendendo carimbos de tempo (timestamps), classes de ação e funções de jogadores, indo além da simples classificação por quadro para um pipeline de detecção de eventos temporalmente coerente.

Metodologia

O sistema proposto adere ao pipeline de dois estágios estabelecido pelos organizadores, consistindo em um Detector de Ações Consciente de Rastreamento (TAAD) e um modelo de Transdução de Sequência de Desruído (DST). Os autores introduzem modificações arquiteturais e de treinamento específicas em ambos os estágios, culminando em uma estratégia de ensemble baseada em concordância.

Melhorias no Estágio 1: Detector de Ações Consciente de Rastreamento (TAAD)

O TAAD de referência, que se baseia em uma arquitetura X3D, foi aprimorado para capturar melhor as dependências temporais:

• Integração de Transformer Temporal: Em vez de classificar quadros independentemente, o sistema projeta características alinhadas ao ROI (por jogador, por quadro) em um espaço de 256 dimensões. Estas são processadas através de um codificador transformer de 4 camadas (8 cabeças de atenção, 1024 dimensões de feedforward) com embeddings posicionais aprendíveis (até 50 quadros). Isso permite que o modelo raciocine sobre padrões temporais antes de projetar para um espaço de 512 dimensões para classificação de 9 classes.
• Refinamentos de Treinamento: Os autores corrigiram um erro no agendador de warmup que anteriormente interrompia as atualizações da taxa de aprendizado. Modificações adicionais incluíram:
  • Um agendador de recozimento de cosseno (cosine annealing) para todas as camadas, exceto para o backbone X3D (que utiliza uma LR fixa).
  • Taxas de aprendizado escalonadas por $1/\sqrt{8}$.
  • Redução do peso da classe de fundo (background) para 0.05 e aumento da contagem de tracklets de 4 para 6 a partir da época 16.
  • Os logits resultantes são tratados como entradas congeladas para o estágio DST subsequente.

Melhorias no Estágio 2: Transdução de Sequência de Desruído (DST)

O componente DST converte características de estado de jogo e logits do TAAD em sequências de eventos estruturadas via um transformer autorregressivo. As principais inovações incluem:

• Mecanismo de Atenção por Jogador: O codificador de referência tratava o vetor de características de 26 funções como uma entrada plana. O método proposto introduz um mecanismo de atenção de dois estágios:
  1. Atenção Espacial (Estágio 1): Atenção entre jogadores onde todos os 26 jogadores em um determinado passo de tempo atendem uns aos outros, capturando configurações espaciais.
  2. Atenção Temporal (Estágio 2): Autoatenção aplicada independentemente à representação de cada jogador ao longo da dimensão temporal para modelar a evolução do estado.
  • Nota: Experimentos indicaram que o uso apenas de características de estado de jogo (posições, velocidades, visibilidade) para este mecanismo de atenção, excluindo os logits do TAAD, resultou em desempenho superior.
• Ordenação Espacial-Primeiro: Processar a atenção espacial antes da atenção temporal provou ser crítico, gerando um aumento de +1,87% no Macro-F1 de validação em comparação com a ordem inversa.
• Diversidade Arquitetural para Ensemble: Quatro modelos DST distintos (A–D) foram treinados com hiperparâmetros variados para garantir diversidade:
  • Modelo A: Configuração base (dimensão oculta 512, 1 camada de atenção).
  • Modelo B: Dimensão oculta aumentada (768).
  • Modelo C: Profundidade de atenção aumentada (2 camadas) e dimensão (dp=128).
  • Modelo D: Arquitetura de atenção paralela onde os ramos espacial e temporal processam as entradas independentemente e são somados.
• Otimização de Inferência: Os autores descobriram que otimizar a temperatura de ajuste de logit ($\tau$) com base em limiares por classe levava ao overfitting no conjunto de validação. Consequentemente, adotaram $\tau=0$ com limiares padrão para todas as predições finais.

Estratégia de Ensemble

A submissão final emprega uma estratégia de Fusão de Eventos Ponderada com Filtragem de Concordância:

1. Agrupamento (Clustering): As predições de $N$ modelos são agrupadas por (time, número da camisa, classe de ação) e agrupadas dentro de uma janela de $\pm 12$ quadros.
2. Impulso de Concordância: Para clusters suportados por $n$ modelos, a pontuação média é multiplicada por $(n/N)^{0.5}$.
3. Filtragem: Eventos previstos por menos de 2 modelos são descartados para suprimir falsos positivos (alucinações).
4. Tratamento de Exceções: Devido à extrema raridade dos eventos de "Desarme" (26 ocorrências em 96 jogos de treinamento) e ao baixo F1 por modelo, o filtro de concordância é ignorado para desarmes. Detecções de modelo único são preservadas para manter a revocação (recall) para esta classe específica.

Resultados

O sistema alcançou um Macro-F1 de 58.94 no conjunto de desafio.

• Ganhos Progressivos: O DST de referência com TAAD aprimorado pontuou 48.6 no desafio. Adicionar atenção por jogador e a ordem espacial-primeiro aumentou este valor para 55.1. O ensemble final de 4 modelos atingiu 58.94.
• Desempenho por Classe: O ensemble superou os modelos individuais em todas as classes, exceto "Desarme", onde o Modelo B permaneceu como o melhor executor individual. O ensemble melhorou significamente o desempenho em classes de frequência comum a média (ex: condução, passe, cruzamento) ao suprimir falsos positivos enquanto mantinha a revocação.
• Generalização: A lacuna entre o desempenho de validação e o de desafio diminuiu de aproximadamente 6 pontos (modelo único) para 2 pontos (ensemble), indicando melhor generalização.

Significância e Alegações

O artigo alega que a principal contribuição reside na integração de mecanismos de atenção por jogador dentro do codificador DST e na estratégia de ensemble baseada em concordância.

• A ordem de atenção espacial-primeiro é identificada como uma escolha arquitetural crítica que fornece um contexto mais rico para o raciocínio temporal.
• O mecanismo de filtragem de concordância é destacado como a chave para reduzir falsos positivos sem sacrificar a revocação em classes frequentes, enquanto a exceção específica para eventos de desarme demonstra uma abordagem direcionada para lidar com o desequilíbrio de classes.
• Os autores enquadram modestamente seu trabalho como uma melhoria sistemática no pipeline de linha de base fornecido, demonstrando que a diversidade arquitetural e a filtragem rigorosa de ensemble podem aumentar significativamente o desempenho em tarefas complexas de detecção de ações de múltiplos jogadores.