本論文では、SoccerNet 2026プレイヤー中心のボールアクションスポッティングチャレンジへの著者らの提出システムについて詳述する。このチャレンジでは、放送映像から各プレイヤーのボールタッチアクション（パス、シュート、タックルなど）を正確に特定することが求められる。提案システムは2段階のパイプラインで構成される。
第1段階はトラック認識アクション検出器（Track-Aware Action Detector、TAAD）である。TAADは放送映像から各プレイヤーのトラック情報を抽出し、時間トランスフォーマーを用いてフレーム間の文脈を統合することで、プレイヤーごとのアクションロジットを生成する。さらに、訓練プロセスにおけるいくつかの問題を修正し、安定性を向上させている。
第2段階はノイズ除去系列変換（Denoising Sequence Transduction、DST）トランスフォーマーである。このモジュールは、ゲーム状態特徴（選手の位置、フィールド上の状況など）とTAADの出力ロジットを入力とし、新規に設計された2段階のプレイヤーごとの注意機構を介して、構造化されたイベント系列に変換する。重要な革新は注意の順序にある。実験の結果、「空間優先」戦略、すなわち時間的注意の前にプレイヤー間のクロスアテンションを実行することで、検証セットのMacro-F1が1.87%向上することが示された。この設計により、モデルはまず同一時刻の異なるプレイヤー間の相互作用に注目し、その後各プレイヤーの時間的変化を追跡するため、サッカーの試合の論理に適合する。
性能をさらに高めるため、著者らは異なるアーキテクチャの多様性を活用し、4つのモデルバリアントを訓練した。これらを重み付きイベント融合（Weighted Event Fusion）アンサンブルで結合し、合意フィルタリングを適用する。この手法では、複数のモデルが同じイベントに対して一致した場合にのみ高い信頼度を与えることで、単一モデルの偽陽性を抑制しつつ高い再現率を維持する。特に、データセット内で稀な「タックル」クラスに対しては、フィルタリングから除外する特別な例外処理を追加した。
最終システムは、チャレンジのテストセットにおいてMacro-F1をベースラインの48.6から58.94に向上させ、顕著な改善を達成した。この成果は、トラック認識検出、注意機構の最適化、およびアンサンブル戦略を組み合わせることで、ビデオアクションスポッティングタスクにおける可能性を示すものであり、今後の研究に貴重な知見を提供する。