SoccerNet-v2 提出了一个大规模手动注释的语料库，其中包含大约 300k 个注释，用于扩展足球领域中的任务，以推动计算机视觉更接近于针对更广泛视频理解和制作目的的自动解决方案。

Nov, 2020

通过使用合成数据，我们提出了一种高度自动化的方法来通过单个图像校准运动相机，使用新颖的相机姿态引擎，以及采用两个 GAN 模型来检测场地标记，并在合成和真实数据中取得了鲁棒性和最新技术表现。

Oct, 2018

该研究介绍了 SoccerNet，这是一个针对足球视频中动作定位的基准数据集，涵盖 2014 年至 2017 年三个赛季的六个欧洲主要联赛中的 500 场比赛，其中自动分析了 6,637 个事件的时间注释。作者们利用了通用动作识别和检测的最新进展，提供了针对足球事件检测的强大基线。

Apr, 2018

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

该论文提出了一种轻量级的、具有模块化特性的网络，用于识别足球比赛中的事件，并且能够同时预测该事件的类别和时间偏移量；在使用标准特征测试时，与当前最新技术相比，该方法的平均精度提高了 3 个百分点，并且与强 2D 骨干网络结合微调后，在测试集上的平均精度提高了超过 10 个百分点。

Feb, 2021

SoccerNet 2022 挑战赛是由 SoccerNet 团队组织的第二次年度视频理解挑战赛，包括 6 个基于视觉的任务，涵盖了动作检测、球员识别和跟踪等领域。

Oct, 2022

通过使用一组密集的检测锚点，预测每个锚点的检测置信度和相应的精细时间位移量，我们提出了一种视频中时间精准行动检测的模型，并尝试了两种主干架构，一维版的 u-net 和 Transformer 编码器 (TE), 并采用锐度感知最小化 (SAM) 和混合数据增强方法进行模型训练，取得了 SoccerNet-v2 数据集上的最新最佳性能，同时证明了预测时间位移量，不同主干架构的权衡，采用 SAM 和 mixup 进行训练的好处等相关实验结果。

May, 2022

本文提出了一种基于知识蒸馏的端到端转移学习网络，在 Kinetics400 数据集上进行预训练，并利用独特的损失参数化对学习框架进行了广泛的分析。最终，在新的 SoccerDB1 数据集上获得了 67.20％的验证准确性，表现远优于先前的技术，并且模型还能轻松地推广到新数据集。

Jul, 2023

足球动作场景理解任务具有挑战性，本文综述了该任务的行为识别、定位和时空动作定位，特别关注了使用的模态和多模态方法，并评估模型性能的可公开获取数据源和度量标准。文章回顾了利用深度学习技术和传统方法的最新状态，重点介绍了多模态方法，这些方法整合了来自多个来源（如视频和音频数据）的信息，以及用各种方式表示一种来源的方法。讨论了方法的优点、限制以及提高模型准确性和鲁棒性的潜力。最后，本文强调了足球动作识别领域中的一些开放性研究问题和未来方向，包括多模态方法推动该领域的潜力。总之，本综述对于对足球动作场景理解领域感兴趣的研究人员提供了宝贵的资源。

Sep, 2023

我们提出了一种新的方法，通过自适应注意机制来分析和建模场景实体，以解决在体育视频中探测行为的复杂挑战，并取得了出色的性能改进。

Apr, 2024