SimulaMet-HOST/TACDEC

TACDEC是一个专注于足球比赛视频中铲球事件的数据集。该数据集填补了现有开放数据集的空白，这些数据集主要关注官方足球事件如进球和红黄牌。TACDEC数据集通过利用挪威Eliteserien联赛多个赛季的视频数据，标注了425个视频中的4种铲球事件类型，共836个事件标注。数据集为开发和测试旨在理解和分析足球比赛动态的机器学习模型提供了前所未有的资源。

TACDEC is a dataset of tackle events in soccer game videos. Recognizing the gap in existing open datasets that predominantly focus on official soccer events such as goals and cards, TACDEC targets a comprehensive analysis of tackles — a critical aspect of soccer that combines technical skills, tactical decision-making, and physical engagement. By leveraging video data from the Norwegian Eliteserien league across multiple seasons, we annotated 425 videos with 4 types of tackle events, categorized into tackle-live, tackle-replay, tackle-live-incomplete, and tackle-replay-incomplete, yielding a total of 836 event annotations. The dataset offers an unprecedented resource for the development and testing of machine learning models aimed at understanding and analyzing soccer game dynamics.

原始信息汇总

TACDEC: Dataset of Tackle Events in Soccer Game Videos

数据集概述

TACDEC是一个专注于足球比赛视频中铲球事件的数据集。该数据集通过分析挪威Eliteserien联赛多个赛季的视频数据，对425个视频进行了标注，共包含4种铲球事件类型："tackle-live", "tackle-replay", "tackle-live-incomplete", 和 "tackle-replay-incomplete"，总计836个事件标注。

数据集内容

• 425个视频文件
• 425个标注文件
• 一个torch文件，包含所有DINOv2使用的CLS-tokens（特征），按排序顺序连接
• 一个numpy数组文件，包含所有使用的标签，按相同排序顺序连接

数据集用途

该数据集完全开放用于研究和教育目的。如用于竞赛或商业目的，需事先获得书面许可。所有使用、引用或报告此数据集实验结果的文档和论文必须包含相关文章的引用。

数据集下载

数据集相关内容位于此仓库内，包括视频和标注文件。

引用信息

@incollection{Kassab_MMSYS_ODS, author = {Jåsund Kassab, Evan and Maric Solberg, Håkon and Gautam, Sushant and Shafiee Sabet, Saeed and Torjusen, Thomas and Riegler, Michael and Halvorsen, Pål and Midoglu, Cise}, title = {{TACDEC: Dataset of Tackle Events in Soccer Game Videos}}, booktitle = {{MMSys24 : The 15th ACM Multimedia Systems Conference}}, year = {2024}, month = apr, date = {2024-04-15}, urldate = {2024-04-15}, isbn = {979-8-4007-0412-3/24/04}, publisher = {Association for Computing Machinery}, address = {New York, NY, USA}, doi = {10.1145/3625468.3652166} }

搜集汇总

数据集介绍

构建方式

在足球比赛视频分析领域，现有的公开数据集多聚焦于进球、红黄牌等官方事件，对兼具技术、战术与身体对抗特性的抢断动作缺乏系统性的数据支撑。TACDEC数据集应运而生，其构建过程严谨而系统：研究团队从挪威Eliteserien联赛多个赛季的视频素材中精选出425段比赛录像，并依据抢断动作的完整性与回放类型，将其精细标注为“tackle-live”、“tackle-replay”、“tackle-live-incomplete”与“tackle-replay-incomplete”四类，最终获得836个事件标注。这一构建方式填补了现有数据集的空白，为深入理解足球比赛动态提供了高质量的标注资源。

特点

该数据集的核心特色在于其针对性与专业性。它专注于抢断这一在足球比赛中高频出现却常被忽视的关键动作，通过多维度的分类体系（区分直播与回放、完整与不完整状态），捕捉了抢断事件的丰富上下文信息。此外，数据集涵盖了多赛季、多场景的实战视频，确保了样本的多样性与代表性。为降低后续模型开发的计算门槛，数据集还提供了预先提取的DINOv2特征张量及对应标签，极大便利了研究者在有限算力下开展实验，体现了实用性与前瞻性的设计理念。

使用方法

数据集的获取与使用路径清晰便捷。用户可通过HuggingFace仓库直接下载全部425段视频及其对应的标签文件，这些文件均以压缩包形式提供。对于希望复现或测试TACDEC论文中模型的研究者，推荐同时下载预先计算好的CLS特征张量与标签数组，从而避免重复运行计算成本高昂的DINOv2模型。数据集采用CC BY-NC-ND 4.0许可协议，完全开放于科研与教育目的，商业用途需另行申请授权。使用时需引用相关学术论文，以确保学术规范的遵循。

背景与挑战

背景概述

在体育视频分析领域，现有公开数据集多聚焦于足球比赛中的官方事件（如进球、红黄牌），而对技术性动作（如抢断）的系统性标注与研究仍属空白。抢断作为融合技术、战术与身体对抗的关键环节，其自动化识别对于理解比赛动态、辅助战术分析及提升观赛体验具有重要价值。为此，SimulaMet-HOST团队于2024年构建了TACDEC数据集，由Evan Jåsund Kassab、Cise Midoglu等研究人员主导，依托挪威顶级联赛（Eliteserien）多赛季视频资源，精心标注了425段视频，涵盖四种抢断类别（live、replay及其不完整版本），共836个事件实例。该数据集为机器学习模型在复杂运动场景中的细粒度动作识别提供了宝贵基准，推动了体育视频分析从宏观事件向微观动作的深化研究。

当前挑战

TACDEC数据集面临的挑战具有双重性。在领域问题层面，抢断事件具有高度动态性与模糊边界，常与正常拼抢、犯规等动作混淆，且多视角、遮挡、快速运动等视频特性增加了模型准确分类的难度，亟需鲁棒的时空特征提取方法。在构建过程中，团队需从海量比赛视频中筛选并精确定位抢断片段，依赖人工专家对挪威联赛规则与战术背景的深刻理解，以确保标注一致性与类别平衡；同时，高分辨率视频处理与大规模特征提取（如DINOv2模型）带来高昂的计算成本，促使团队提供预计算特征以降低复现门槛，但这也对数据标准化与可扩展性提出了更高要求。

常用场景

经典使用场景

在体育视频分析领域，TACDEC数据集因其对足球比赛中抢断事件的精细化标注而成为研究动作识别与事件检测的经典基准。该数据集涵盖挪威超级联赛多个赛季的425段视频，将抢断事件细分为现场抢断、回放抢断、不完整现场抢断和不完整回放抢断四类，共计836个精确标注。研究者常利用此数据集训练和评估基于深度学习的时间动作定位模型，通过视频帧序列的特征提取与分类，实现对复杂动态场景中短时、高密度对抗动作的准确捕获，从而推动体育视频理解从宏观赛事分析向微观技术环节的深化。

实际应用

在实际应用中，TACDEC数据集驱动的模型可用于构建智能体育分析系统，为教练组提供球员抢断效率的自动化统计与战术复盘工具，辅助制定针对性训练计划。此外，该数据集支持开发实时比赛转播中的精彩回放自动剪辑功能，提升观赛体验。对于体育媒体与数据公司，基于TACDEC的算法能够生成深度的比赛报告与球员评价指标，应用于赛事解说、数据可视化报道以及青训选拔评估等商业场景。其标注体系还具备向其他对抗性运动迁移的潜力，拓宽了计算机视觉技术在体育产业中的落地边界。

衍生相关工作

TACDEC数据集衍生了一系列经典工作，包括基于DINOv2自监督视觉Transformer的抢断事件特征提取与分类模型，该模型利用预训练的CLS令牌进行时序排序与分类，显著提升了小样本场景下的识别精度。后续研究进一步探索了将抢断事件与球员轨迹、球权转换等上下文信息融合的多模态分析框架，以及针对回放片段与现场镜头视角差异的域适应方法。这些工作不仅在ACM Multimedia Systems Conference等顶级会议上发表，还催生了面向足球战术理解的事件关系推理与因果分析等延伸课题，推动了体育视频分析领域的理论发展。