通过利用神经网络，本研究提出了一种模型，结合人体动作识别 (HAR) 嵌入与上下文信息，通过观察运动员的踢球技术准确预测足球射门后的运动方向，取得了很高的准确率，为了解足球罚球动力学提供了有意义的启示。

Dec, 2023

本研究提出了一个名为 GoalieNet 的多阶段深度神经网络，可用于联合估计门将，他们的装备和球网的关键点检测，实验结果表明所提出的 GoalieNet 可以在所有关键点上实现 84％的平均准确性，其中 29 个关键点中的 22 个关键点检测准确率高达 80％以上。

Jun, 2023

我们提出了一个基于强化学习的框架，使得四足机器人在真实世界中执行足球门将任务。

Oct, 2022

使用计算机视觉和机器学习模型评估职业门将的保存技术，并通过训练无监督机器学习模型和开发 “预期保存” 模型来识别在不同比赛情况下的最佳门将技巧。

Feb, 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

本文提出了一种层次化的框架，利用深度强化学习使四足机器人能够在现实世界中执行精确的射击技能，包括鲁棒的运动控制策略和运动规划策略，应用于 A1 四足机器人中，实现了将足球精确射向目标的目的。

Aug, 2022

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

为了处理不同的地形和模仿智能行为，学习四肢机器人熟练行走策略变得越来越受欢迎。尽管对于人类和智能动物来说这是一种自然行为，但在学习社区中，对于操纵移动物体和通过腿部进行运动（如踢足球）的联合操作却受到了少量关注。解决这个多任务问题的关键挑战是根据操纵对象的状态和目标来推断行走的目标，这两者之间的隐含关系很难直接从训练经验中捕捉。我们提议添加一个反馈控制模块，以准确计算所需的身体级运动，并将输出作为关节级行走监督显式地使用。我们进一步利用改进的球体动态模型、扩展的上下文辅助估计器和综合的球体观察器来促进将在仿真中学习的策略转化到现实世界中。我们观察到我们的学习方案不仅可以使策略网络更快地收敛，还可以使足球机器人在平坦表面上执行精巧的运动，如急转弯和转向，这是以前方法所缺乏的。视频和代码可在此网址获得。

Mar, 2024

本文介绍了一种将足球比赛的单眼视频转化为可交互地呈现球员和球场的三维重建系统，通过使用卷积神经网络估算每个球员的深度图，我们将其与现有的身体姿态和深度估计技术进行比较，并展示了在合成和真实的 YouTube 足球片段的实验结果。

Jun, 2018