本文介紹了作者團隊在SoccerNet 2026以玩家為中心的球類動作定位挑戰賽中的提交方案。該挑戰賽要求從廣播影片中精確識別每位球員的觸球動作，例如傳球、射門、剷球等。作者提出了一種兩階段流水線架構。
第一階段稱為軌跡感知動作檢測器（Track-Aware Action Detector，簡稱TAAD）。TAAD從廣播影片中提取每個球員的軌跡資訊，並利用時間變換器（temporal transformer）增強跨幀的上下文理解，從而為每個球員生成原始的動作機率得分（logits）。此外，研究團隊還修復了若干訓練過程中的問題，進一步提升了TAAD的穩定性。
第二階段是去噪序列轉導（Denoising Sequence Transduction，簡稱DST）變換器。該模組接收遊戲狀態特徵（如球員位置、場上態勢等）以及TAAD的輸出logits，透過一個新穎的兩階段每玩家注意力機制，將這些輸入轉化為結構化的比賽事件序列。關鍵的創新在於注意力順序的設計：實驗表明，採用“空間優先”的策略——即先執行球員之間的跨球員注意力，再執行時間維度上的注意力——能夠使驗證集上的Macro-F1指標提升1.87%。這種設計讓模型優先關注同一時刻不同球員之間的互動，再追蹤每個球員的時序變化，更符合足球比賽的邏輯。
為了進一步提升效能，作者利用不同架構的多樣性，訓練了四個模型變體，並透過加權事件融合（Weighted Event Fusion）整合方法進行組合。該整合方法引入一致性過濾，只有當多個模型對同一事件達成一致時才給予高置信度，從而有效抑制單個模型的假陽性預測，同時保持較高的召回率。針對資料集中稀少的“剷球”類別，團隊還特別設計了異常處理邏輯，避免被過濾掉。
最終，該系統在挑戰賽的測試集上將Macro-F1從基線模型的48.6提升至58.94，取得了顯著改進。這一成果展示了結合軌跡感知檢測、注意力機制最佳化和整合策略在影片動作定位任務中的潛力，為後續研究提供了有價值的參考。