SoccerNet Game State Reconstruction: End-to-End Athlete Tracking and Identification on a Minimap

追踪和识别球场上的运动员在收集比赛的重要见解方面起着核心作用，例如估计球员覆盖的总距离或了解团队战术。这种追踪和识别过程对于从球场的二维俯视图（即小地图）重建比赛状态（由运动员的位置和身份定义）至关重要。然而，从单个摄像头捕捉的视频中重建比赛状态是具有挑战性的。它需要理解运动员的位置和摄像机的视点，以定位和识别场上的球员。在这项工作中，我们规范化了比赛状态重建任务，并介绍了SoccerNet-GSR，这是一个专注于足球视频的新型比赛状态重建数据集。SoccerNet-GSR由200个30秒的视频序列组成，注释了937万个用于定位球场和校准摄像头的线点，以及超过236万个运动员在球场上的位置，包括他们的角色、队伍和球衣号码。此外，我们介绍了GS-HOTA，这是一种新型的度量标准，用于评估比赛状态重建方法。最后，我们提出并发布了一个端到端的基线来进行比赛状态重建，从而启动了这项任务的研究。我们的实验表明，GSR是一项具有挑战性的新任务，为未来的研究开辟了领域。我们的数据集和代码库可在https://github.com/SoccerNet/sn-gamestate上公开获取。

本论文旨在解决足球比赛中从单一摄像头视频中重建比赛状态的问题，包括球员位置和身份的识别，以及场地定位和摄像机标定。

论文提出了SoccerNet-GSR数据集和GS-HOTA评估指标，并提出了一个端到端的基线模型，用于解决游戏状态重建任务。

SoccerNet-GSR数据集包括200个30秒的足球视频序列，包含937万个场地定位和摄像机标定的线点，以及超过236万个球员在场地上的位置，包括其角色、队伍和球衣号码。GS-HOTA是一种新的评估指标，用于评估游戏状态重建方法。作者在实验中展示了GSR是一项具有挑战性的新任务，并提供了公开可用的数据集和代码库。

在这个领域的相关研究包括基于多摄像头的方法和基于传感器的方法，例如GPS和惯性测量单元。