一句话结论
这篇论文的价值是把越位检测写成 标定 → 检测/投影 → 传球时刻 → 队伍/身份 → 规则函数 的可审计 pipeline；20 个平衡片段上的 F1 只有 63.1%，且正文把 precision 与 recall 的报告顺序写反，因此只支持早期受控原型，不支持实时自动执法。
论文定位
它是 rule-grounded sports vision 的早期奠基样本，不是端到端 Video MLLM。相比只画静态越位线的方法，它加入传球时刻、跨帧 player ID 和 candidate 是否接球的时序条件；相比现代 VAR/VLM 系统，它更透明，但数据和泛化证据弱得多。
问题定义
越位不是单帧几何分类。系统至少要知道：
- 传球发生在哪一帧；
- 球员、球和 second-last defender 在球场坐标中的位置；
- passer、receiver 和双方队伍身份；
- 处于越位位置的球员是否参与后续事件。
作者因此放弃普通广播镜头，使用两台固定广角相机覆盖全场（PDF pp.1–2）。
方法概述
- 用棋盘格与 Zhang calibration 修正两台固定相机畸变；人工 pitch keypoints 建 homography。
- 用 YOLOv5 检测球员和球，以 bounding box 右下点投到 pitch plane。
- 从球速最大/最小值推断踢球与接球帧；异常高速度区间用阈值删除、线性插值和 moving average 修复。
- 从球员框提取颜色，以五类模板和 25 人约束的 General Assignment Problem 分配队伍/裁判/门将。
- 用 pitch-coordinate Kalman filter + Hungarian assignment 保持球员/球 ID。
- 在传球帧找 second-last defender；若越位线前方 candidate 随后成为 receiver，则判越位（PDF pp.3–7，Figs.2–7、Algorithm 1）。
关键图示
总 pipeline 与方法入口
!900
PDF p.3 展示总流程，并进入 calibration / localization；核心不是某个 backbone，而是模块间的结构化状态传递。
规则算法、结果与失败分析
!900
PDF p.7 同时给出 Algorithm 1、Table 1 confusion matrix、结果和 projection / ID-switch 失败来源。
核心实验与结果
- 两台 AXIS P1447-LE 4K 相机，30 FPS，固定在中线附近、距边线约 10 m；
- 3 场 × 90 分钟；
- 20 个 30 秒片段：10 offside、10 non-offside；事件约位于第 15 秒；
- 排除 corner kicks 与 throw-ins；
- 作者正文：precision 60%、recall 66.7%、F1 63.1%（PDF pp.6–7）。
Table 1 给出 TP=6、FP=3、FN=4、TN=7。按标准定义复算应为 precision 66.7%、recall 60.0%、F1 约 63.2%。因此作者正文把 precision / recall 的数值顺序互换；F1 基本一致。
关键消融
论文没有模块消融，也没有分别报告 detector、team classification、pass detection、tracking 或 calibration 指标。无法量化双机位、Kalman、GAP 或球速插值各自的贡献，这是证据链的主要缺口。
局限或疑问
- 20 个平衡片段、无置信区间、无比赛级 split，不足以估计真实比赛 false-alarm burden。
- 固定双机位、手工 pitch keypoints、颜色模板与人数约束限制跨场地迁移。
- 作者确认远端投影误差和 ID switch 是主要失败来源（PDF p.7）。
- Algorithm 1 只检查 receiver，未覆盖干扰对手、反弹/扑救获利等完整 involvement 条件。
- 伪代码未显式比较 candidate 与球的位置；bbox 右下点也不能严格实现 body-part rule。
- “为未来在线处理设计”不等于实时：论文没有 runtime / latency。
对当前 Wiki 判断的影响
- topics/sports-ai-roadmap 的 referee-assist 链应明确为
可校准感知 → 时序事件 → 场地坐标/身份 → 规则状态 → 不确定性 → 人工复核，不能从检测分数直接跳到自动执法。 - topics/sports-ai-video-understanding 应把本文视为结构化规则 pipeline 的奠基案例，同时用它说明级联误差与模块级指标的重要性。
- topics/video-understanding 可借本文强调：专业视频决策的瓶颈往往是时间同步、对象连续性与结构化状态，而不只是语言推理。
- 本文不支持三条生成式视觉 claims，也不应被外推成通用模型已经具备可靠 referee reasoning。
原始链接
原始材料
raw/ingest/2026-04-25-automated-offside-detection/paper.pdfraw/ingest/2026-04-25-automated-offside-detection/paper-text.mdraw/ingest/2026-04-25-automated-offside-detection/analysis.mdraw/ingest/2026-04-25-automated-offside-detection/slides.pdfraw/ingest/2026-04-25-automated-offside-detection/links.yaml