Innovazioni nell'Analisi Video del Calcio 2024

Nel 2024, SoccerNet ha continuato la sua tradizione di ospitare sfide per migliorare la comprensione video nel calcio. Le sfide comprendevano quattro compiti principali: Riconoscimento delle Azioni con la Palla, Didascalia Video Densa, Riconoscimento dei Falli da Multi-View, e Ricostruzione dello Stato di Gioco. Ogni compito era progettato per migliorare i modi in cui analizziamo e comprendiamo le partite di calcio attraverso i video.

#Compito 1: Riconoscimento delle Azioni con la Palla

Il Riconoscimento delle Azioni con la Palla si concentra sull’identificazione e timing delle azioni calcistiche che coinvolgono la palla. Questo compito si è ampliato per includere azioni più specifiche come passaggi, colpi di testa e gol. L'obiettivo è riconoscere quando avvengono queste azioni e etichettarle accuratamente.

#Descrizione del Compito

I partecipanti a questo compito analizzano riprese video delle partite della English Football League. Devono individuare il momento esatto di ogni azione legata alla palla e classificarla in una delle diverse categorie. Le categorie includono azioni come Passaggio, Guida, Colpo di Testa e Punizione. Un timestamp indica quando avviene ciascuna azione. La valutazione si basa su quanto accuratamente queste azioni possono essere identificate nel tempo.

Quest'anno, la sfida ha visto più partecipanti e una gamma più ampia di invii. Le prestazioni complessive sono migliorate rispetto agli anni precedenti, dimostrando progressi nelle tecniche e metodologie.

#Metriche di Valutazione

Le prestazioni in questa sfida sono state misurate utilizzando la metrica della Media Precisione Media (mAP). Questa metrica considera sia l'accuratezza che il timing di ciascun riconoscimento. I partecipanti dovevano raggiungere un alto livello di precisione, il che significava che dovevano identificare correttamente le azioni il più vicino possibile al momento reale in cui avvenivano.

#Compito 2: Didascalia Video Densa

La Didascalia Video Densa richiedeva ai partecipanti di creare descrizioni scritte per video di calcio non tagliati. Questo compito prevedeva di identificare momenti nel video che meritavano una didascalia e poi generare frasi in linguaggio naturale per descrivere gli eventi che avvenivano in quei momenti.

#Descrizione del Compito

Per questo compito, i partecipanti hanno lavorato con un dataset di lunghi video di partite di calcio non editati. L'obiettivo era inserire didascalie nel video in punti rilevanti, rendendo più facile per gli spettatori capire cosa sta succedendo durante una partita. Le didascalie dovevano essere chiare e informative, fornendo contesto per le azioni nel video.

#Metriche di Valutazione

La valutazione si è concentrata su quanto bene le didascalie generate corrispondessero a quelle veritiere. Utilizzando un sistema di punteggio basato sulla somiglianza linguistica, i partecipanti sono stati classificati in base alla qualità delle loro didascalie generate. Il compito ha presentato sfide a causa della complessità nel descrivere accuratamente uno sport frenetico come il calcio.

#Compito 3: Riconoscimento dei Falli da Multi-View

Il Riconoscimento dei Falli da Multi-View chiedeva ai partecipanti di analizzare incidenti che potenzialmente potevano essere falli, utilizzando riprese da più angolazioni. L'obiettivo era classificare se un incidente costituiva un fallo e, in tal caso, categorizzare la gravità di quel fallo.

#Descrizione del Compito

Questa nuova sfida richiedeva ai partecipanti di comportarsi come arbitri, prendendo decisioni basate su filmati video di falli. Dovevano determinare se un fallo si era verificato e classificarlo in quattro categorie: "Nessun reato", "Reato + Nessun cartellino", "Reato + Cartellino giallo" e "Reato + Cartellino rosso." Questo compito ha anche comportato la distinzione tra diversi tipi di falli.

#Metriche di Valutazione

La metrica principale per valutare le prestazioni in questo compito era l'accuratezza bilanciata. Questo approccio era importante perché i diversi tipi di falli non erano rappresentati in modo uniforme nel dataset. Il punteggio finale è stato calcolato in base a quanto bene i partecipanti hanno classificato sia il tipo di fallo che la sua gravità.

#Compito 4: Ricostruzione dello Stato di Gioco

La Ricostruzione dello Stato di Gioco richiedeva ai partecipanti di tracciare i giocatori e ricostruire lo stato di gioco dai video trasmessi, creando una vista dall’alto del campo di calcio. Questo compito mirava a fornire una rappresentazione visiva della dinamica del gioco.

#Descrizione del Compito

Per questa sfida, il focus era su quanto bene i partecipanti potessero identificare le posizioni, i ruoli e le affiliazioni dei giocatori. Il compito prevedeva di prendere filmati trasmessi e tradurli in una mappa 2D, mostrando dove si trovavano i giocatori sul campo in un dato momento. Questo richiedeva un'analisi avanzata delle riprese video senza alcuna attrezzatura aggiuntiva sui giocatori.

#Metriche di Valutazione

Le prestazioni nella Ricostruzione dello Stato di Gioco sono state valutate utilizzando una nuova metrica chiamata GS-HOTA. Questa metrica misura quanto accuratamente i partecipanti potevano tracciare e identificare i giocatori, combinando vari fattori come i numeri delle maglie e i ruoli dei giocatori, garantendo una comprensione completa dello stato di gioco.

#Contributi dei Partecipanti

Partecipanti provenienti da varie università e organizzazioni hanno contribuito con i loro metodi e tecniche innovative per ogni compito. Molti team hanno sviluppato approcci unici, come combinare diverse strutture di reti neurali o sfruttare il transfer learning per migliorare le prestazioni dei loro modelli. Questi sforzi collaborativi hanno mostrato un miglioramento significativo nei risultati rispetto alle sfide precedenti.

#Conclusione

Le sfide SoccerNet 2024 riflettono i progressi continui nella comprensione dei video sportivi. Con quattro compiti progettati per spingere i limiti di ciò che è possibile con l'analisi video nel calcio, i partecipanti hanno mostrato le loro abilità e creatività. I miglioramenti osservati quest'anno indicano un crescente interesse e capacità di comprendere le partite di calcio attraverso la tecnologia. Guardando al futuro, il team di SoccerNet prevede di ampliare ulteriormente le sfide e i compiti per continuare a migliorare la ricerca in questo campo emozionante.