用动作定位模型解决足球回放定位问题，提升视频理解精度。

Technical Report for SoccerNet Challenge 2022 -- Replay Grounding Task

• 将回放定位转为动作定位任务，统一使用Faster-TAD模型。
• 在SoccerNet数据集上达到0.683的mAP，优于基线方法。
• 结合训练数据分布特点优化输出，适合视频理解研究者。

为充分挖掘视频信息，本文将回放定位问题转化为视频动作定位任务，并采用自研的统一网络Faster-TAD进行时间动作检测以获得回放定位结果。通过分析训练数据的分布特性，进一步优化模型输出，最终生成提交结果。该方法在SoccerNet Challenge 2022的回放定位任务中表现优异，验证了动作定位框架在复杂体育视频理解中的有效性。

原文摘要 · Abstract (English)

In order to make full use of video information, we transform the replay grounding problem into a video action location problem. We apply a unified network Faster-TAD proposed by us for temporal action detection to get the results of replay grounding. Finally, by observing the data distribution of the training data, we refine the output of the model to get the final submission.

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。