LLLMWIKI
ArticleResearch mapReading portalMetadata

Source note · Updated 2026-07-12

Event2Tracking用长时多模态上下文重建多智能体足球轨迹

#near-cvpr-2025#video-understanding#tracking#multimodal#primary-source

Event2Tracking：事件语义辅助的长时足球轨迹重建

会议：AAAI 2025
全文深读：analysis.md

一句话结论

Event2Tracking 用 60 秒 axial-attention context 和 event cross-attention 重建 noisy broadcast tracking；60 秒时 player/ball mADE 为 3.22/3.51m，对 STT 的 3.62/5.46m，证明事件语义可修复缺失轨迹，同时绝对误差仍只适合场地级状态。

数据与任务

  • 700 场职业足球比赛训练；
  • 52 场比赛评测；
  • 每场配对 event、broadcast tracking、in-venue tracking；
  • Tracking 原始约 25Hz，实验下采样为 5Hz；
  • Context：10/20/30/45/60 秒；
  • 球在 broadcast stream 中被设为完全缺失；
  • 输出所有球员与球的 pitch x/y；
  • 指标为一分钟 segments 上的 player/ball mADE。

输入已经是结构化 tracking/event streams，论文不处理 RGB detection、camera calibration、ReID 和 event spotting。

方法

  • Event encoder 编码稀疏事件的类型、时间、位置和参与球员；
  • Tracking decoder 对 trajectory tokens 做 spatiotemporal axial attention；
  • Temporal cross-attention 融合 event embeddings；
  • 两部分各 4 层，hidden 128、FFN 512、4 heads；
  • 最终线性投影输出 x/y。

事件数据含每个 on-ball event 的时间、位置和 player ID，是强语义 side channel。

核心结果

60s 方法Player mADEBall mADE
Independent Transformer4.7816.69
Graph Imputer4.607.99
STT3.625.46
Event2Tracking3.223.51

Event2Tracking 在 10/20/30/45/60 秒的 player/ball mADE 分别为：

  • 4.13/4.24；
  • 3.44/3.76；
  • 3.33/3.52；
  • 3.27/3.53；
  • 3.22/3.51。

相对 STT，球误差低 32%–36%，球员误差低 3%–11%。Player mADE 从 10s 到 60s 改善约 22%。

关键边界

  • Event stream 对球位置提供近似稀疏监督；
  • 球的完全遮挡是人工设定，和真实 intermittent detection 不同；
  • 60 秒双向 context 使用未来信息，只适合离线重建；
  • 5Hz 无法支持高速接触分析；
  • 只报告 deterministic mADE，缺 uncertainty；
  • 未报告参数量、GPU、时延和训练成本；
  • 数据来源与跨联赛 split 信息不足；
  • 3.51m 球误差不能支持技术分析。

对羽毛球 demo 的影响

可迁移 hit/event tokens、长时 player/shuttle context 和 multi-agent trajectory repair。羽毛球需使用 50–120Hz contact windows，将事件改为 serve/hit/bounce/land/phase，并用厘米/像素误差、contact-frame accuracy 及上游 hit-detector errors 评测。

它支持：

hit/phase alignment ↔ trajectory repair

它不支持 pose、stroke quality 或教练反馈。

证据评级

  • 足球轨迹重建：A-
  • 长时事件融合：A-
  • 羽毛球迁移：B-
  • 实时端到端视频：C

原始材料

  • raw/ingest/2026-05-05-event2tracking/paper.pdf（9 页）
  • raw/ingest/2026-05-05-event2tracking/paper-text.md（853 行）
  • raw/ingest/2026-05-05-event2tracking/analysis.md

相关页面

Metadata
{
  "id": "2026-05-05-event2tracking",
  "type": "source",
  "title": "Event2Tracking：用长时多模态上下文重建多智能体足球轨迹",
  "status": "reviewed",
  "created": "2026-05-05",
  "updated": "2026-07-12",
  "venue": "AAAI 2025",
  "published_at": "2025-04-11",
  "ingested_at": "2026-05-05",
  "tags": [
    "near-cvpr-2025",
    "video-understanding",
    "tracking",
    "multimodal",
    "primary-source"
  ],
  "note_status": "reviewed",
  "source_type": "paper",
  "authors": [
    "Harry Hughes",
    "Michael Horton",
    "Xinyu Wei",
    "Harshala Gammulle",
    "Clinton Fookes",
    "Sridha Sridharan",
    "Patrick Lucey"
  ],
  "canonical_links": [
    "https://ojs.aaai.org/index.php/AAAI/article/view/33289",
    "https://ojs.aaai.org/index.php/AAAI/article/download/33289/35444",
    "https://doi.org/10.1609/aaai.v39i11.33289",
    "https://dl.acm.org/doi/abs/10.1609/aaai.v39i11.33289"
  ],
  "raw_entry": "raw/ingest/2026-05-05-event2tracking/",
  "analysis_note": "raw/ingest/2026-05-05-event2tracking/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"
  ]
}