本文提出了 GrOunded footbAlL commentaries（GOAL）数据集，该数据集包括了足球视频以及相应的英语实况解说文本，用于探究动态语言上下文，进一步提供了诸如帧重排序、时刻检索、实况解说检索、以及实况解说生成等四项任务的最新基线模型。实验结果表明，在大部分任务上，模型表现良好。

Nov, 2022

本文提出了一种基于密集视频字幕的评论生成任务，旨在为足球比赛提供文字评论，以便广播公司能够将视频内容总结成同步且有意义的文字评论，从而更好地满足足球粉丝的需求，增强足球内容的可理解性和可访问性。

Apr, 2023

本文发布了第一个英文版的体育比赛摘要数据集 GOAL，其中包含了 103 组评论 - 新闻对和 2160 个未标记的评论文档，并基于该数据集建立和评估了几种基线模型，包括抽取式和生成式模型。实验结果表明该任务仍然具有挑战性，并且希望该工作能够促进体育比赛摘要的深入研究。

Jul, 2022

本文通过创建更强大的足球比赛评论生成基准数据集 SN-Caption-test-align，利用多模态时间对齐流程构建出高质量的训练数据集 MatchTime，训练了一个自动评论生成模型 MatchVoice，并通过广泛实验和消融研究证明了对齐流程的有效性和在评论生成任务中带来的显著性能提升。

Jun, 2024

提出了一个用于视频字幕的新的多模态篮球知识支持基准，通过构建多模态篮球比赛知识图谱，将视频中的时间信息编码并推荐识别关键球员，以提升篮球直播字幕的质量。

Jan, 2024

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

本文提出了一种利用音频和事件元数据生成足球比赛摘要的方法，在不同的数据集之间进行了泛化处理，并且可以提供不同的选项给最终编辑人员。

May, 2022

本文通过深度学习为足球视频生成标题，并介绍了一个包含 22k 个标题 - 视频剪辑对和三种视觉特征（图像、光流和修复）的数据集，使用 transformer、ConvNets 和视觉语言特征融合的模型生成标题，并在句法、语义和语料库三个层面上评估生成的标题。研究表明，使用更多视觉特征和注重选择词汇语义的损失可以提高生成标题的多样性和评分。

Feb, 2022

该文介绍了利用视频中物体的 bounding box 将描述影片的句子与影片中的客观证据联系起来，并给出了一个能够利用 bounding box 的词语注释的视频描述模型，其在视频描述、视频段落描述和图像描述上均表现出了最先进的性能和更好的联系性。

Dec, 2018

本文提出了一种基于音视频描述符的自动足球视频集锦生成方法，通过对视频序列进行分段和分析来确定其相关性和兴趣度，使用音频信息提高摘要系统的性能，在应用经验知识规则组合低级和中级音视频描述符，选择与用户规格和相关度测量结果相适应的高兴趣度视频片段最终生成摘要。

Nov, 2014