SoccerNet 2026挑战赛足球视频分析赛题系列整理的下篇

接着上半部分的话题，咱们继续把SoccerNet 2026剩下的几个赛题聊完。这次的重点是“Spiideo SoccerNet合成定位”和“视觉问答”这两个赛道，它们各自的技术挑战和解决方案都非常有意思。

Spiideo SoccerNet合成定位

这个赛道有个很长的名字——Spiideo SoccerNet合成定位，简称SSS。它的任务很明确：给定一张足球场上的单张图像，加上相机的校准信息，算法需要把场上每一位球员精准定位到球场坐标系中。具体来说，是根据球员骨盆在地面的投影来进行定位[1]。

评测这个赛道表现的核心指标是mAP-LocSim。这个指标是在经典的mAP基础上，引入了一个叫做LocSim的评判标准，用来判断每个预测是否准确。LocSim的定义是这样的：

简而言之，当预测的球员位置与实际位置之间的欧氏距离d，代入这个公式后，计算出的LocSim值低于0.5时，这个预测才算准确。这里的τ值设定为1米，精度要求相当高。

从提交的方案来看，所有参赛团队都使用了基线模型，比如YOLO26、RF-DETR或YOLOX-Pose。部分团队还额外引入了人体姿态估计模型（如RTMPose-X或ViTPose），专门用来估算球员骨盆位置及其在地面上的投影。原理并不复杂：先检测到图像中的球员，再利用相机校准参数进行坐标转换，就能得到球员在球场平面上的实际位置。

在部分参赛方案中，还出现了一种叫Tiling的技术。简单解释一下，Tiling就是把一张大图切成若干个小图（即Tiles），然后独立处理每一小块。具体到这次比赛，不同团队用了不同的Tiling策略：

• 自适应Tiling：根据粗粒度的人员检测结果，动态调整小图的裁剪范围，确保每个小图都能覆盖到目标球员。
• 非自适应Tiling：这种方式需要后续的NMS（非极大值抑制）等处理，来避免重叠的检测结果，同时还要把分散在不同小图中的检测结果合并起来。

还有一个值得注意的点：很多基座模型的损失函数是在像素级别上计算的，但比赛的评测指标却是基于真实的场上距离。这个不一致性让不少团队动了脑筋。有的改用了基于球场坐标系的Huber损失函数，有的干脆直接去优化LocSim这个指标本身。

视觉问答

视觉问答赛道，也就是VQA，考验的是多模态理解能力。它要求参赛系统根据文本、图像和视频等多种输入，来回答自然语言问题。每个问题都有四个备选答案，其中只有一个正确[1]。

问题类型被分成了14类，覆盖范围很广：针对文本输入的问题，侧重考察背景知识和比赛情况；针对图像输入的，则涵盖摄像机视角、球员识别、球衣号码、记分牌等；而针对视频输入的，则涉及镜头切换、重放检索、动作分类、评论以及多视角犯规识别等。

评测指标相当直接：回答准确率，也就是在500个问题中答对的比例。

在这次比赛中，优胜团队普遍采用了一种叫做“任务路由”的架构[1]。获得第二名的方案是：先推测出提问的分类，然后由任务路由把问题分发给14个Agent之一，每个Agent专门负责回答一类问题。而获得第一名的方案更进一步，它将任务路由分发给以下四个处理模块之一：

• 处理知识和事实的模块；
• 处理图像和视觉任务的模块；
• 将推理进行分解的模块，专门用来处理那些比较含糊的推理任务；
• 针对视频进行时间方面理解的模块。

除此之外，优胜团队还大量采用了其他方法，包括：

• 基于检索的推理；
• 在SoccerAgent及类似工具链的基础上，额外增加了人员检测、人脸匹配、基于姿态的球衣号码裁剪、CLIP风格的检索、球员分割等能力。这些改进主要针对球衣号码识别、球员身份判断、背景知识、重放检索和犯规识别等复杂问题。

参考文献

[1] SoccerNet 2026 Challenges Results
https://arxiv.org/abs/2607.07320
参考文献使用许可协议：CC BY 4.0
https://creativecommons.org/licenses/by/4.0/