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

Resumo Técnico: Imputação de Jogadores Fora de Tela Sem Treinamento para Análise Espacial de Futebol Baseada em Transmissões

Definição do Problema
A análise espacial do futebol, como o controle de campo (pitch control), depende fundamentalmente das posições de todos os 22 jogadores. No entanto, a principal fonte de dados posicionais para a análise de transmissões — a visão da câmera principal — é inerentemente parcial. Devido ao movimento de pan (panorâmica) e zoom para seguir a bola, um quadro típico de transmissão revela apenas 10 a 16 dos 22 jogadores. As atuais pipelines de Reconstrução de Estado de Jogo (GSR) frequentemente ignoram esses jogadores fora de tela, tratando-os como ausentes. Essa abordagem de "apenas visíveis" introduz um viés sistemático: equipes com defensores fora de tela parecem ceder o controle da metade oculta do campo, não devido a uma falha tática, mas devido ao enquadramento da câmera. Embora essa distorção seja reconhecida, ela raramente foi quantificada em dados abertos, e as soluções aprendidas existentes (ex: Graph Imputer da DeepMind) dependem de dados proprietários, observações futuras (inferência bidirecional) e treinamento offline, tornando-as inaplicáveis para análises de transmissão estritamente online e em tempo real.

Metodologia
O artigo propõe uma framework de imputação online e sem treinamento que opera exclusivamente com as observações da partida que está sendo analisada, sem necessidade de treinamento offline ou acesso a quadros futuros. A metodologia central envolve uma "escada" de baselines, culminando em uma abordagem inovadora chamada Votação de Centróide Ancorada por Função (B4):

1. Estratégias de Baseline:

   • B0 (Ignorar): O padrão de baseline de apenas visíveis.
   • B1 (Última Vez Visto): Mantém a última posição observada, decaindo em direção à média da equipe visível.
   • B2 (Âncora de Formação): Armazena o deslocamento (offset) de um jogador em relação ao centróide da equipe visível enquanto ele estiver visível e aplica esse deslocamento ao centróide atual da equipe visível quando o jogador estiver oculto.
   • B3 (Âncora Aperfeiçoada): Combina o B2 com Médias Móveis Exponenciais (EMA) de deslocamentos e extrapolação de velocidade constante.
   • B4 (Votação de Centróide Ancorada por Função): Este é o método proposto e ótimo. Ele aborda o "viés de subconjunto de viewport" inerente ao B2. Quando a câmera faz o movimento de pan, o subconjunto visível de jogadores é espacialmente enviesado em relação ao verdadeiro centróide da equipe. O B4 mitiga isso fazendo com que cada jogador visível "vote" pelo centróide da equipe completa. Cada jogador visível $i$ propõe o centróide da equipe completa como sua posição atual menos seu deslocamento de função armazenado ($p_i - off_i$). O centróide votado $\hat{c}(t)$ é a média dessas propostas. Os deslocamentos são então atualizados via EMA em relação a este centróide votado. Os jogadores ocultos são imputados como $\hat{c}(t) + off_j$. Isso cria um bootstrap autossuficiente onde os deslocamentos e o centróide são mutuamente ajustados para cancelar o viés sistemático do subconjunto.

2. Protocolo de Benchmarking:

   • Dados: Dados de rastreamento de campo total abertos da Metrica Sports (três partidas, 25 fps).
   • Simulação: Uma câmera principal virtual realiza movimentos de pan horizontais seguindo a posição da bola suavizada exponencialmente, criando um viewport de largura $W$ (testado em 36m, 44m, 52m, 60m).
   • Métricas: A avaliação prioriza métricas relevantes para a tomada de decisão em vez de pura fidelidade de trajetória:
     • Erro de Posição do Jogador Oculto: Distância entre a posição imputada e a verdadeira.
     • MAE do Mapa de Controle de Campo: Erro no mapa de controle espacial, especificamente na zona oculta.
     • Erro de Participação de Controle da Equipe: Erro na métrica principal de "porcentagem de campo controlado pela Equipe A".

Principais Contribuições

1. Benchmark de Distorção Reproduzível: Os autores estabelecem um benchmark aberto que quantifica o erro introduzido ao ignorar jogadores fora de tela. Eles demonstram que o baseline "ignorar" infla o erro de controle de campo na zona oculta em 25,1–26,9 pontos percentuais e o erro de participação de controle em 11,1–13,4 pontos.
2. Baselines Online Sem Treinamento: O artigo introduz uma hierarquia de métodos que não requerem dados de treinamento. O melhor executor, a Votação de Centróide Ancorada por Função (B4), reduz o erro de controle na zona oculta em aproximadamente metade (para 12,2–13,8 pontos) e corta o erro de participação de controle para 28–48% do baseline da política de ignorar em todas as larguras de viewport.
3. Integração End-to-End: O método é integrado a uma pipeline de GSR de vídeo de transmissão e testado em imagens reais da Copa do Mundo. Dado a ausência de dados de verdade terrestre de campo completo para clipes de transmissão, os autores não afirmam que as pontuações imputadas sejam valores "verdadeiros". Em vez disso, apresentam um resultado de sensibilidade que demonstra como os vereditos podem mudar quando os jogadores fora de tela são imputados. O estudo mostra que a imputação pode alterar pontuações de qualidade de posse de bola (Space-Creation Index) em 15,6 a 17,2 pontos, o suficiente para mudar a classe do veredito (ex: de "posse morta" para "progressão fraca") em janelas de jogo específicas.

Resultos

• Desempenho: Em um viewport padrão de largura de 44m, o B4 atinge um erro de posição mediana de 9,7–11,6 m para jogadores ocultos, superando a âncora de formação (B2) e superando significativamente o baseline de ignorar.
• Robustez: O método performa consistentemente através de três partidas diferentes e variadas larguras de viewport. A melhoria é mais pronunciada em viewports mais estreitos (mais difíceis), onde menos jogadores estão visíveis.
• Regimes de Oclusão: No regime de oclusão curta (≤9,6 s), comparável ao trabalho aprendido anterior, o B4 atinge erros medianos de 3,3–8,9 m. Crucialmente, o benchmark revela que 50–57% das observações de jogadores ocultos em transmissões de futebol caem no regime de oclusão longa (>9,6 s), um domínio onde modelos aprendidos bidirecionais anteriores não podem operar. O B4 fornece uma solução viável para a maioria desses casos sem contexto futuro.
• Ablação: O mecanismo de votação (B4) mostra-se superior à simples aplicação de deslocamento (B3E) porque alinha o referencial para armazenar os deslocamentos com o referencial para aplicá-los, evitando o acúmulo de viés.

Significância e Alegações
O artigo mantém uma posição modesta, declarando explicitamente que imputadores aprendidos continuam preferíveis quando dados de treinamento e contexto futuro estão disponíveis. No entanto, os autores estabelecem três pontos críticos:

1. Distorção Quantificada: Eles demonstram que a distorção causada por ignorar jogadores fora de tela é grande o suficiente para invalidar métricas espaciais se não for tratada.
2. Piso Sem Treinamento: Eles fornecem um baseline de desempenho (B4) que os métodos aprendidos devem exceder, provando que ganhos significativos são possíveis sem treinamento offline ou recursos de GPU.
3. Viabilidade de Longa Oclusão: Eles destacam e pontuam o regime de longa oclusão (>9,6 s), que constitui a maioria das observações de jogadores ocultos em dados de transmissão e está fora do escopo do trabalho aprendido mais próximo.

O trabalho conclui que, para análises baseadas em transmissões estritamente online, um método sem treinamento como a Votação de Centróide Ancorada por Função é um componente necessário e eficaz para recuperar a integridade espacial, impedindo que o enquadramento da câmera dite a análise tática.