DG-Game：用于足球战术事件分类的双视图对比异质图学习

《Pattern Recognition》：DG-Game: Dual-view contrastive heterogeneous graph learning for football tactical event classification

　　

•提出了一种用于足球战术事件分类的双视图图建模方法。
•设计了 DG-Game 以解耦进攻协作和防守压力。
•通过跨视图约束整合动态状态和多尺度战术线索。
引言
随着先进追踪技术的普及，足球的定量分析已成为体育分析领域的一个重要研究方向 [1]。传统的分析方法主要依赖基本统计特征，难以捕捉球员之间复杂的动态互动和协作模式。近年来，图神经网络（GNNs）由于其处理非欧几里得空间数据的出色表现，被广泛应用于足球事件分类和事件预测。通过将球员和球建模为节点，将实体间的物理互动建模为边，图模型可以有效地提取空间阵型特征并实现对球场动态的实时评估 [2]。
如图 1 所示，尽管现有的图表示学习方法在足球分析方面取得了显著进展 [3]，[4]，但其基本建模范式仍然是通过将球员和球视为节点，并根据空间邻近性、传球关系或预定义的互动规则构建边，将追踪数据转换为图结构。然而，它们仍面临三个主要问题。（1）在现有的同质图建模工作 [5] 中，边通常基于固定的物理距离阈值构建。球队阵型既需要微观层面的物理连接，也需要宏观层面的战术视野。受限于固定的物理距离，同质图只能捕捉局部互动信息。（2）现有的工作倾向于构建单一的图结构，仅基于传球网络或纯粹的空间邻近性来构建图。这种单视图建模方法往往忽略了在对抗性体育中，对手防守压力对持球人决策的异质影响，导致任务相关信息的丢失 [6]。（3）基于球员静态坐标位置或仅仅空间邻近性的静态视角建模方法，忽略了场上实体的瞬时物理属性。缺乏对这些高频动态状态的精确编码，使得难以准确反映球员微观层面的冲刺意图和逼抢趋势。
多视图图学习的近期研究表明，不同的视图或结构组件通常表现出不同的信息贡献 [7]。对它们进行相同处理或过早压缩为单一结构可能会削弱视图差异，并导致跨视图信息利用不足。关于足球战术事件分类，虽然队友协作关系和对手防守压力共同影响持球人的决策，但它们在战术语义上存在显著差异。直接将它们压缩为单一图结构可能会阻碍模型区分进攻阵型支持和防守压力干扰，从而削弱事件分类所需的关键战术信息。
为了克服单视图方法的表示瓶颈并充分捕捉球场上复杂的协作和对抗互动，本文探索通过联合建模多视图图特征来表征球场动态。然而，将这种多视图解耦有效应用于动态足球事件预测任务仍面临重大挑战。（1）静态位置难以真正反映球员在特定时刻的运动意图和团队协作。如何从离散事件切片中提取信息，并将球员的绝对位移有效编码为瞬时动量和运动方向。（2）场上的实体互动不仅仅是物理空间上的邻近。在比赛中，持球人不仅需要评估与友方球员的协作，还必须不断应对对手球员的防守逼抢和传球路线拦截。在动态比赛中，很难明确区分这两种截然不同的战术意图。（3）球队阵型的空间建模既需要微观层面的物理连接，也需要宏观层面的战术视野。挑战在于如何建模一个包含局部和全局互动的空间图。这将允许同质图突破距离限制，捕捉持球人周围的局部短传互动网络，同时发现远距离球员的战术拉伸和宽范围转移意图。
为了应对上述挑战，本文提出了 DG-Game，一种用于足球事件分类的双视图图神经网络模型。为了捕捉动态比赛信息，我们采用动态状态编码。这从离散事件切片中提取实体的瞬时动量和运动方向，以构建高频物理特征。接下来，我们通过分析球员之间的物理空间距离和战术互动规则，解决单一视角无法准确捕捉战术意图的问题。我们明确地将球场拓扑解耦并实例化为空间同质图和战术异质图。此外，同质阵型建模通常缺乏多尺度视野，并受限于固定的物理距离。为了克服这一点，我们的空间同质图结合了局部聚合和全局注意力机制。这使其能够同时捕捉微观层面的物理连接和宏观层面的战术阵型拉伸。同时，战术异质图引入了对手实体，以精确量化防守压力和传球障碍，实现了对协作和对抗关系的有效特征提取。随后，为了充分探索两个视图之间的潜在关联并提取具有高度区分性的联合表示，我们设计了一种跨视图对比预训练机制，在潜空间内构建多个自监督信号。DG-Game 通过在潜空间内动态平衡双视图之间的一致性和特异性来优化网络参数，同时也对特征维度施加一致性约束。最后，针对下游战术事件分类，模型引入了一个端到端的 MLP 分类头，通过战术感知类平衡交叉熵策略进行优化。这有效克服了高频常规动作对稀疏关键事件的掩盖偏差，最终实现了对高难度战术意图的精确捕捉。主要贡献如下：
•为了更清晰地表征足球比赛中共存协作和对峙的异质战术语义，我们提出了一种用于足球战术事件分类的双视图图建模方法。该方法将进攻协作关系和防守对抗压力分别表示为空间同质图和战术异质图。
•我们设计了 DG-Game 双视图异质图学习框架。它通过空间同质图建模队友之间的阵型组织和协作关系，并通过战术异质图引入对手实体，以量化防守压力、拦截风险和传球路线阻碍。
•我们进一步构建了一种动态状态增强的多尺度战术表示机制。该机制将瞬时动量、运动方向、局部物理连接和全局阵型结构统一于双视图事件表示中。它通过跨视图约束促进空间和战术视图之间的信息互补。
章节片段
足球领域分析
随着计算机视觉和传感技术的普及，足球比赛的数据粒度已从基本赛后统计演变为高频追踪数据和事件数据 [8]，[9]。在这里，我们将这些分析方法分为三种不同类型。
统计和传统方法：早期的足球分析主要依赖手动定义的特征工程和统计模型 [10]，例如使用预期进球模型来评估射门质量 [11]，或
问题定义
一场比赛可以看作是由一系列离散事件切片组成的序列集。令 S 为一场比赛的事件切片集。S={St}t=1T，其中 T 表示比赛中发生的离散切片总数，St 表示第 t 个时间切片。每个时间切片 St 包含参与当前比赛事件的各种实体对象。
我们定义实体集 E 包含三种不同类型的核心元素：足球、己方球员和对方球员：
方法
本节提出了 DG-Game，一种用于足球战术事件分类的双视图图学习框架，以捕捉在协作关系和对抗压力共同作用下的复杂战术语义。值得注意的是，DG-Game 旨在学习事件级图表示，其中空间同质图和战术异质图分别描述进攻阵型协作和防守对抗干扰。整体架构如图...所示
实验
本节将通过广泛的实证分析，验证所提出的双视图图神经网络模型在足球事件分类任务中的有效性。
结论
我们提出了 DG-Game，一种用于复杂足球事件分类的双视图图神经网络模型。它解决了传统静态和单视图建模无法从动态球场信息中完全捕捉高阶战术意图的局限性。通过空间同质图，我们主要表征进攻球员之间的阵型组织、局部连接和队友协作关系；战术异质图建模战术因素
CRediT 作者贡献声明
Wensheng Wang：写作 - 初稿，软件，方法论，形式分析，概念化。Yudi Huang：验证，软件，数据管理。Haoran Zhou：可视化，验证，调查。Shengpeng Wang：写作 - 审阅与编辑，方法论，形式分析。Shuli Zhu：调查，数据管理。Qingyun Sun：写作 - 审阅与编辑，可视化。Xingcheng Fu：写作 - 审阅与编辑，监督，项目管理，资金获取，概念化。
竞争利益声明
作者声明，他们没有已知的竞争性财务利益或个人关系可能影响本文中报告的工作。
Wensheng Wang|Yudi Huang|Haoran Zhou|Shengpeng Wang|Shuli Zhu|Qingyun Sun|Xingcheng Fu