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

在本篇论文中，我们提出了一个可用于多物体跟踪的新型数据集，其包含 200 个 30 秒的序列和一个完整的 45 分钟半场，用于跟踪足球视频中的球员、裁判和球，该数据集带有边界框和跟踪 ID 的完整注释，并能够训练足球领域 MOT 基线并对这些方法进行全面基准测试，结果表明足球视频中的多人、裁判和球跟踪问题还有待改善。

Apr, 2022

本文介绍了一种名为 FootAndBall 的基于深度神经网络的检测器，它可以有效地检测高清、远距离的足球比赛视频中的足球和球员，并且可以以任意分辨率处理输入视频流，由于其专业设计，比通用深度神经网络物体检测器（如 SSD 或 YOLO）少两个数量级的参数，因此可以实时处理高分辨率的输入视频流。

Dec, 2019

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

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

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

本文提出了一种从单个校准图像中实现三维篮球定位的新方法，通过预测对象在图像空间中的像素高度，并利用图像本身和对象的位置作为输入，估计其在图像中投影到地平面上，并利用已知的投影矩阵重建篮球的三维坐标，实验结果表明该方法相对于最近的研究取得了显著的精度改进，从而为提高球类跟踪和理解的可能性开辟了新的空间，推动了计算机视觉在不同领域的发展。

Sep, 2023

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

该研究聚焦于足球广播视频的摄像头校准和现有科学社区的限制，并通过深度学习技术和大规模数据集的发布来提高现有体育动作捕捉算法的性能。

Apr, 2021

本篇论文提出了自监督管道来检测和跟踪低分辨率足球玩家，不需要任何地面真实数据，并赢得了顶级结果。

Nov, 2020