LLLMWIKI
ArticleResearch mapReading portalMetadata

Source note · Updated 2026-07-12

SoccerNet-Tracking足球多目标跟踪数据集与基准

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

SoccerNet-Tracking：足球检测与身份关联基准

会议：CVPR Workshop 2022
全文深读：analysis.md

一句话结论

SoccerNet-Tracking 用 200×30s clips、约 3.6M boxes 和一个 45 分钟半场分离检测与 association；FairMOT 域内微调使 HOTA 43.911→57.882，但 GT boxes 下 HOTA 仍约 70，说明足球身份关联本身尚未解决。

数据集

  • 200 个 30 秒 clips；
  • 来自 12 场比赛；
  • 11 类挑战事件；
  • 25 FPS；
  • 约 3.6M bounding boxes；
  • 5,009 unique tracklets；
  • 96% players/goalkeepers 有 jersey number；
  • 另有一个完整 45 分钟半场。

数据刻意采集 corners、fouls、goals 等拥挤/高速片段，适合压力测试。短 clips 来自 12 games，跨 split 的比赛与相邻上下文风险需要审计。

协议

  • Ground-truth detections：隔离 association；
  • End-to-end detections：检测与跟踪联合；
  • 主指标 HOTA；
  • 同时报 DetA、AssA、MOTA。

核心结果

GT detections

方法HOTADetAAssAMOTA
DeepSORT69.55282.62858.66894.844
FairMOT71.50084.34260.71894.572

End-to-end

方法HOTADetAAssAMOTA
DeepSORT36.66340.02233.75933.913
FairMOT43.91146.31741.77850.698
ByteTrack47.22544.48950.25731.741
FairMOT-ft57.88266.56550.49283.565

FairMOT 在足球数据上额外训练 10 epochs 后显著改善。ByteTrack 的 AssA 较高而 DetA/MOTA 较低，展示 detection-association trade-off。

失败模式

  • 同队球衣外观高度相似；
  • Corner 等拥挤场景遮挡严重；
  • 进出画面需要 long-term ReID；
  • 足球小于约 100 pixels，快速、模糊并被遮挡；
  • 广播相机缩放/移动造成尺度变化；
  • Pedestrian pretraining 存在域差。

局限与证据边界

  • 只覆盖足球广播域；
  • 200 clips 来自 12 games；
  • 挑选挑战事件，不代表完整比赛分布；
  • Bbox tracking 不等于 pitch trajectory；
  • Jersey annotation 不表示系统识别了真实身份；
  • 45 分钟视频与主短片 leaderboard 的关系有限；
  • 缺跨联赛/球场/转播源 split；
  • 各 baseline 分辨率和预训练不同；
  • 未统一报告硬件、FPS、参数量和 GPU-hours。

系统证据链

image-plane detection/tracking → identity/camera calibration → pitch game state → trajectory repair → tactics/reasoning

SoccerNet-GSR、Event2Tracking 与 TacticAI 分别承接后续三层。

对羽毛球 demo 的影响

可迁移 GT-detection/end-to-end 双协议、DetA/AssA/HOTA 分解、domain fine-tuning 和错误传播审计。Shuttle 还需 frame detection、trajectory coverage、max gap、observed/interpolated、pixel/court error 与 hit accuracy。

足球 player HOTA 不能外推 shuttle trajectory。

证据评级

  • 足球 MOT：A-
  • Detection/association 诊断：A-
  • 羽毛球 player tracking：B-
  • Shuttle tracking：C

原始材料

  • raw/ingest/2026-05-23-soccernet-tracking/paper.pdf（12 页）
  • raw/ingest/2026-05-23-soccernet-tracking/paper-text.md（1,032 行）
  • raw/ingest/2026-05-23-soccernet-tracking/analysis.md

相关页面

Metadata
{
  "id": "2026-05-23-soccernet-tracking",
  "type": "source",
  "title": "SoccerNet-Tracking：足球多目标跟踪数据集与基准",
  "status": "reviewed",
  "created": "2026-05-23",
  "updated": "2026-07-12",
  "venue": "CVPR Workshop 2022",
  "published_at": "2022-04-14",
  "ingested_at": "2026-05-23",
  "tags": [
    "near-cvpr-2025",
    "video-understanding",
    "tracking",
    "benchmarking",
    "primary-source"
  ],
  "note_status": "reviewed",
  "source_type": "paper",
  "authors": [
    "Anthony Cioppa",
    "Silvio Giancola",
    "Adrien Deliège",
    "Le Kang",
    "Xin Zhou",
    "Zhiyu Cheng",
    "Bernard Ghanem",
    "Marc Van Droogenbroeck"
  ],
  "canonical_links": [
    "https://openaccess.thecvf.com/content/CVPR2022W/CVSports/html/Cioppa_SoccerNet-Tracking_Multiple_Object_Tracking_Dataset_and_Benchmark_in_Soccer_Videos_CVPRW_2022_paper.html",
    "https://openaccess.thecvf.com/content/CVPR2022W/CVSports/papers/Cioppa_SoccerNet-Tracking_Multiple_Object_Tracking_Dataset_and_Benchmark_in_Soccer_Videos_CVPRW_2022_paper.pdf",
    "https://arxiv.org/abs/2204.06918",
    "https://github.com/SoccerNet/sn-tracking"
  ],
  "raw_entry": "raw/ingest/2026-05-23-soccernet-tracking/",
  "analysis_note": "raw/ingest/2026-05-23-soccernet-tracking/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"
  ]
}