SoccerNet

SoccerNet是一个专注于足球视频中动作定位的大型可扩展数据集，由阿卜杜拉国王科技大学创建。该数据集包含500场完整的足球比赛视频，总时长764小时，涵盖2014至2017年六个主要欧洲联赛的三个赛季。数据集包含6,637个时间标注，主要分为进球、黄/红牌和换人三类事件。这些标注最初以一分钟分辨率自动从在线比赛报告中解析，随后手动细化至一秒分辨率。SoccerNet旨在解决长视频中非常稀疏事件的定位问题，并提供了用于检测足球事件的强大基准模型。数据集的应用领域包括足球视频分析、策略分析和球员评估等。SoccerNet is a large-scale and scalable dataset dedicated to action localization in soccer videos, developed by King Abdullah University of Science and Technology (KAUST). This dataset includes 500 full-length soccer match videos with a total duration of 764 hours, covering three seasons of six major European leagues spanning from 2014 to 2017. It contains 6,637 temporal annotations, which are primarily categorized into three types of events: goals, yellow/red cards, and substitutions. These annotations were first automatically extracted from online match reports at a 1-minute resolution, and then manually refined to a 1-second resolution. SoccerNet aims to tackle the problem of localizing extremely sparse events in long videos, and provides robust baseline models for soccer event detection. Application areas of this dataset include soccer video analysis, tactical analysis, player evaluation, and other related fields.

搜集汇总

数据集介绍

构建方式

SoccerNet数据集的构建分为三个步骤：首先，从网络资源中收集500场完整的欧洲主要联赛足球比赛视频；其次，通过光学字符识别（OCR）技术同步比赛时间和视频时间；最后，从联赛网站的比赛报告中解析出事件的分钟级时间戳，并手动将其细化为秒级精度。数据集包含2014年至2017年三个赛季的视频，总时长为764小时，共有6,637个时间标注，分为三个主要事件类别（进球、黄牌/红牌和换人）。

特点

SoccerNet数据集的特点在于其规模庞大、易于扩展且事件稀疏。数据集包含来自六个主要欧洲联赛的500场完整比赛，总时长达到764小时，是目前为止总时长和每类别实例数量最大的定位数据集。数据集的平均事件间隔为每6.9分钟一次，这使得定位长时间视频中的稀疏事件成为挑战。此外，数据集的标注是通过免费的网络比赛报告获得的，这使得数据集易于扩展。

使用方法

SoccerNet数据集的使用方法包括两个主要任务：视频片段分类和事件定位。视频片段分类任务是将视频分割成1分钟的片段，并标注出该片段内发生的所有事件。事件定位任务则是找到视频中的事件锚点，即在容忍度范围内识别事件的发生。数据集提供了多种基线模型，包括使用不同视频特征和不同池化技术的浅层神经网络，以及SoftDBOW、NetFV、NetVLAD和NetRVLAD等池化方法。这些模型可以用于训练和评估新的算法，以改善事件定位的性能。

背景与挑战

背景概述

SoccerNet数据集的创建旨在解决体育视频分析中动作定位的问题，尤其是足球比赛中稀疏事件的位置识别。该数据集由来自六个主要欧洲联赛的500场完整足球比赛组成，涵盖了2014年至2017年三个赛季，总时长为764小时。数据集中包含了6,637个时间注释，这些注释从在线比赛报告中自动解析而来，并以一分钟为分辨率，针对三类主要事件（进球、黄/红牌和换人）。这些注释随后被手动细化到一秒分辨率，通过在单个时间戳上锚定，遵循明确的足球规则。由于平均每6.9分钟发生一次事件，因此该数据集专注于在长视频中定位非常稀疏的事件。SoccerNet数据集的创建由Silvio Giancola、Mohieddine Amine、Tarek Dghaily和Bernard Ghanem在沙特阿拉伯国王阿卜杜拉科技大学（KAUST）完成。该数据集的创建对于相关领域具有重大影响，因为它为研究提供了大规模、标准化的数据集，有助于开发可扩展的自动体育视频分析解决方案。

当前挑战

SoccerNet数据集面临的挑战主要包括：1)所解决的领域问题——稀疏事件在长视频中的定位；2)构建过程中所遇到的挑战。稀疏事件的定位问题在于事件在视频中的分布非常稀疏，这给模型的训练和评估带来了困难。此外，构建过程中，数据集的同步、注释的获取和细化都需要克服技术难题。例如，视频与比赛时间的同步需要使用光学字符识别（OCR）技术来识别游戏时钟区域，并且需要解决不同联赛中时钟形状和位置的差异。注释的获取和细化则依赖于从联赛网站解析比赛报告，并将其从一分钟分辨率手动细化到一秒分辨率。尽管SoccerNet数据集提供了大规模、标准化的数据集，但稀疏事件的定位问题仍然是一个挑战，需要进一步研究和发展新的算法来解决。

常用场景

经典使用场景

在足球视频分析领域，SoccerNet数据集主要用于事件定位任务，包括进球、黄/红牌和换人等关键事件的检测。该数据集的规模和多样性使其成为评估和训练事件定位算法的理想选择。

衍生相关工作

SoccerNet数据集的发布促进了相关领域的研究进展，衍生了许多经典工作。例如，一些研究利用SoccerNet数据集训练深度学习模型，实现了高精度的事件定位和分类。此外，SoccerNet还被用于研究事件之间的因果关系，以及如何利用上下文信息提高事件定位的准确性。

数据集最近研究

最新研究方向

SoccerNet数据集在足球视频理解领域的前沿研究方向主要集中在稀疏事件定位和视频片段分类。稀疏事件定位旨在找到视频中足球事件的锚点时间（或热点），从而提高事件检测的准确性。视频片段分类则将视频分割成分钟长度的片段，并对其进行标注，以便于进行事件识别。此外，SoccerNet数据集还包含了大量的比赛视频和注释，为算法开发和标准化评估提供了丰富的数据资源。

相关研究论文

• SoccerNet: A Scalable Dataset for Action Spotting in Soccer Videos

  阿卜杜拉国王科技大学 · 2018年