LLLMWIKI
ArticleResearch mapReading portalMetadata

Source note · Updated 2026-07-12

Towards Active Learning for Action Spotting足球事件定位的低标注路线

#near-cvpr-2025#video-understanding#evaluation#primary-source

一句话结论

在 SoccerNet-v2 的 NetVLAD++ 实验中，entropy selection 用 16% 数据达到其最终 spotting 性能的 90%，随机采样需 45%；这是足球 action spotting 的样本效率证据，但 oracle 由既有标签模拟，数据比例不等于真实专家工时。

论文定位

任务是把动作类别定位到单一时间戳，不是 tracking、动作质量、战术分析或裁判推理。流程反复训练 spotting 模型，并从未标注 clips 中按 uncertainty/entropy 选择下一批给 oracle。

数据与协议

  • SoccerNet-v2：550 场、110,458 spots、17 类、2.23/min；
  • SoccerNet-ball：9 场、11,041 events、表中 2 类、13.62/min；
  • FWWC19-header：52 场、6,527 events、表中单目标 spotting、1.39/min；私有；
  • 默认每轮选全库 1%，从头训练；加速版使用 AdapAL 与 5-epoch continual fine-tuning；
  • 主指标是 loose Avg-mAP（5–60 秒），另报 AULC、固定数据比例性能、达到最终 90% 性能所需数据比例。

正文描述 FWWC19-header 有五种头部事件语义，但 Table 1/后文按 1 类训练接口汇报，不能当五类分类结果。

核心结果

选择AULC ↑达 90% 性能的数据比例 ↓5% 数据 Avg-mAP ↑10% 数据 Avg-mAP ↑
Random45.1145%32.0637.98
UM46.2431%34.6438.38
Entropy47.9616%37.2442.79

SoccerNet-ball 的 RS/EM/UM M90 为 23%/8%/9%；FWWC19-header 为 35%/12%/12%。PTS 架构也保持 uncertainty selection 多数优于 random 的趋势。

成本与证据边界

  • 快速学习率调度声称训练时间减半；AdapAL 将 100 轮降到 30 轮；但无硬件、GPU-hours、总 wall-clock；
  • 没有真实标注者、标注时长、费用、agreement 或困难样本噪声研究；
  • clip 比例不是事件数、视频分钟或人工小时比例；
  • 无多 seed、标准差、置信区间；
  • 未在本文明确 match/source/camera-disjoint split，固定 clip 可能带来相邻片段泄漏；
  • loose Avg-mAP 不证明接触帧级精度；
  • FWWC19 私有，复现受限。

对羽毛球 demo 的影响

可迁移主动选择协议，但必须按 athlete/session/rally/court/camera 划分，记录真实教练标注分钟，并以 contact/phase 高帧率指标验证。足球 5–60 秒容差的 Avg-mAP、标注比例和数据规模不得外推羽毛球击球定位或纠错。

证据评级

  • 足球 action spotting 主动学习：A-
  • 真实标注成本节省：B
  • 羽毛球迁移：C+ 方法学邻近

原始材料

  • raw/ingest/2026-05-05-active-learning-action-spotting-football/paper.pdf（11 页）
  • raw/ingest/2026-05-05-active-learning-action-spotting-football/paper-text.md（1,345 行）
  • raw/ingest/2026-05-05-active-learning-action-spotting-football/analysis.md

相关页面

Metadata
{
  "id": "2026-05-05-active-learning-action-spotting-football",
  "type": "source",
  "title": "Towards Active Learning for Action Spotting：足球事件定位的低标注路线",
  "status": "reviewed",
  "created": "2026-05-05",
  "updated": "2026-07-12",
  "venue": "CVPR Workshop 2023",
  "published_at": "2023-04-09",
  "ingested_at": "2026-05-05",
  "tags": [
    "near-cvpr-2025",
    "video-understanding",
    "evaluation",
    "primary-source"
  ],
  "note_status": "reviewed",
  "source_type": "paper",
  "authors": [
    "Silvio Giancola",
    "Anthony Cioppa",
    "Julia Georgieva",
    "Johsan Billingham",
    "Andreas Serner",
    "Kerry Peek",
    "Bernard Ghanem",
    "Marc Van Droogenbroeck"
  ],
  "canonical_links": [
    "https://arxiv.org/abs/2304.04220",
    "https://arxiv.org/pdf/2304.04220",
    "https://doi.org/10.1109/CVPRW59228.2023.00538"
  ],
  "raw_entry": "raw/ingest/2026-05-05-active-learning-action-spotting-football/",
  "analysis_note": "raw/ingest/2026-05-05-active-learning-action-spotting-football/analysis.md",
  "topics": [
    "topics/sports-ai-video-understanding",
    "topics/sports-ai-roadmap",
    "topics/video-understanding"
  ],
  "entities": [
    "entities/sportsmot"
  ],
  "claims": [],
  "questions": [
    "questions/question-badminton-stroke-correction-demo"
  ]
}