本文提出了一种基于深度学习的物体检测器，专门用于长距离拍摄视频的球检测。由于其完全卷积的设计，该方法可以处理任何尺寸的图像，并生成编码检测到的球位置的 “球置信图”。该网络使用超列概念，将来自深度卷积网络不同层次的特征图组合并共同馈送卷积分类层。这允许在考虑感兴趣对象周围更大的视觉上下文时提高检测精度。当在公开可用的 ISSIA-CNR 足球数据集上进行测试时，该方法取得了最先进的结果。

Feb, 2019

提供了用于训练和评估的 YOLO 归一化注释格式的 SoccerNet v3 数据集的编辑部分，该数据集在长距离实时检测足球场上的球和球员方面证明了 YOLO8n 模型优于 FootAndBall。

Nov, 2023

利用机器学习和三维物体检测技术，本文研究并实现了一种足球检测系统，通过多个摄像头实时探测球的三维位置，实现了高精度、实时的球赛直播。该系统还具有很强的可复用性，可用于类似的大规模比赛场景中。

Jan, 2023

本研究通过使用深度学习模型 TrackNet，从模糊、带残影并有时不可见的广播视频中跟踪网球。在 2017 年夏季大学运动会男子单打决赛的视频上，TrackNet 的准确度、召回率和 F1-measure 达到了 99.7％、97.3％和 98.5％。

Jul, 2019

本文介绍了我们对 SoccerNet 2023 跟踪挑战的解决方案，分别处理球员追踪和球的追踪任务。我们使用了最先进的在线多目标追踪器和现代目标检测器进行球员追踪。为了克服在线方法的局限性，我们引入插值和无外观的轨迹合并进行后处理。此外，我们还使用基于外观的轨迹合并技术处理远离图像边界的轨迹的终止和创建。球的追踪被形式化为单个目标检测，借助经过微调的 YOLOv8l 检测器和专有的过滤器来提高检测精度。我们的方法在 SoccerNet 2023 跟踪挑战中获得了第三名，HOTA 得分为 66.27。

Aug, 2023

本文介绍了一种满足精度、效率和低内存消耗的级联卷积神经网络 (CNN)，用于实现基于视觉的运动员检测。通过从标记的图像块训练一个二进制分类网络，然后在测试时高效地将该网络应用于整个图像，本方法在篮球和足球比赛中得到了精确的运动员检测结果，并在聚光灯影响、高度动态的相机移动和运动模糊等多种复杂条件下表现出色。与传统 CNN 相比，本文方法参数少 1000 倍，准确度更高。

Sep, 2017

足球中的运动预测通过捕捉球员和球的相互作用的复杂动力学。我们提出了 FootBots，一种基于编码器 - 解码器变压器结构的体系结构，通过等变性属性来解决运动预测和有条件的运动预测。FootBots 使用集合注意力块和多注意力块解码器来捕捉时间和社交动力学。我们的评估使用两个数据集：一个真实的足球数据集和一个定制的合成数据集。合成数据集的洞见突显了 FootBots 社交注意机制的有效性和有条件运动预测的重要性。对真实足球数据的实证结果表明，FootBots 在运动预测方面优于基准模型，并在有条件任务中表现出色，例如根据球的位置预测球员，根据球和防守（进攻）球队预测进攻（防守）球队，以及根据所有球员预测球的位置。我们的评估连接了定量和定性研究结果。

Jun, 2024

本研究使用深度学习模型 MobileNet 和 YOLO 对板球广播中的球传递进行分割，以产生用于研究的数据集。该方法通过运用目标检测模型从视频镜头中准确提取出球传递，从而使板球教练和球员能够对比赛中的球传递进行分析和了解。同时，该研究提出了建立大型数据集的思路，为提取语义信息铺平了道路。

Nov, 2022

我们的研究引入了一种创新的深度学习方法，用于预测足球犯规。该方法通过构建一个新颖的足球犯规数据集，将视频数据、边界框位置、图像细节和姿势信息相结合，利用卷积和循环神经网络 (CNNs 和 RNNs) 从这四个模态中有效地融合信息。实验结果表明我们的完整模型优于其他模型，所有的 RNN 模块、边界框位置、图像和估计的姿势在犯规预测中都有用。我们的研究结果对于更深入地理解足球比赛中的犯规行为具有重要意义，并为该领域的未来研究和实践提供了有价值的参考。

Feb, 2024

提出了一种完全卷积神经网络架构，可估计来自高频时空数据的足球可能传递的全概率面，能够适应于多种实际足球问题，如风险评估、应用可能的传递选项等。

Oct, 2020