Ball Tracking in Association Football - Leveraging Player Detections to Locate the Ball Using Graph Attention Networks
(2024) In Master's Theses in Mathematical Sciences FMAM05 20241Mathematics (Faculty of Engineering)
- Abstract
- When automating data analysis or broadcasts in association football, a key piece of information is the position of the football. Locating the ball is often easier said than done since there are many scenarios where the ball is hard or even impossible to detect accurately using object detection methods. This thesis explores a different approach to determining the ball's position. Since the players on the pitch are much easier to detect than the football, those detections are leveraged to predict the position of the ball. By using a Graph Neural Network (GNN) architecture with attention layers the thesis explores with what accuracy it is possible to predict the ball's position in different scenarios of a game of football, as well as what... (More)
- When automating data analysis or broadcasts in association football, a key piece of information is the position of the football. Locating the ball is often easier said than done since there are many scenarios where the ball is hard or even impossible to detect accurately using object detection methods. This thesis explores a different approach to determining the ball's position. Since the players on the pitch are much easier to detect than the football, those detections are leveraged to predict the position of the ball. By using a Graph Neural Network (GNN) architecture with attention layers the thesis explores with what accuracy it is possible to predict the ball's position in different scenarios of a game of football, as well as what features are most important for making a good prediction. The results show that it is possible to predict the ball's position with a total mean prediction error of 13.0 meters, with kick-offs having the lowest mean error, and penalties the highest. Besides the positions of the players, their velocities are important pieces of information that help make a good prediction in many, but not all, scenarios of a game. Furthermore, adding too much history of the players' positions and velocities leads to worse predictions but further investigation is necessary to determine if the model architecture is at fault or if the data has no useful underlying structure. In conclusion, GNNs show promise for predicting the ball's position since they improve significantly compared to a baseline, especially if put in place to operate in tandem with an object detection network. More features, such as what team each player is on and their body pose, could possibly improve the network's performance but were not explored in this project. (Less)
- Popular Abstract (Swedish)
- Går det att prediktera en fotbolls position utifrån var spelarna befinner sig på planen? Detta arbete utreder om det är möjligt att använda information om fotbollsspelares positioner och rörelser för att avgöra var bollen befinner sig i olika skeenden av en fotbollsmatch.
Med framfarten av artificiell intelligens och maskininlärning har antalet användningsområden skjutit i höjden. Inom fotboll så används tekniken idag bland annat för att automatisera dataanalys av matcher och träningar samt för att livesända matcher, utan behov av en kameraman. För båda dessa användningsområden är det absolut nödvändigt att veta var fotbollen befinner sig. På grund av bollens storlek och det faktum att den ofta rör sig väldigt snabbt så har vanliga... (More) - Går det att prediktera en fotbolls position utifrån var spelarna befinner sig på planen? Detta arbete utreder om det är möjligt att använda information om fotbollsspelares positioner och rörelser för att avgöra var bollen befinner sig i olika skeenden av en fotbollsmatch.
Med framfarten av artificiell intelligens och maskininlärning har antalet användningsområden skjutit i höjden. Inom fotboll så används tekniken idag bland annat för att automatisera dataanalys av matcher och träningar samt för att livesända matcher, utan behov av en kameraman. För båda dessa användningsområden är det absolut nödvändigt att veta var fotbollen befinner sig. På grund av bollens storlek och det faktum att den ofta rör sig väldigt snabbt så har vanliga metoder av objektdetektering ofta svårt att följa bollen med precision. Eftersom spelarna på planen är betydligt lättare att detektera ämnar detta arbete att utreda med vilken precision det går att använda dessa detektioner för att avgöra bollens nuvarande position. Därtill så tittas det närmre på olika scenarion som uppstår i en fotbollsmatch, så som straff och frispark, och hur prediktionens precision förändras i dessa olika scenarion.
En gren inom maskininlärning som blivit populär de senaste åren är grafnätverk. Varje spelare på planen representeras som en nod i en graf med attribut som motsvarar deras position och hastighet. Mellan varje nod finns en kant som representerar hur spelarna påverkas av och förhåller sig till varandra. Förhoppningen är att datormodellen ska lära sig vilka noder (spelare) och vilka kanter som är viktiga för att bestämma bollens position och därefter kunna göra en prediktion som är nära bollens faktiska position. Resultaten visar på att det är möjligt att bestämma bollens position med ett snittfel på 13 meter. Att inte bara veta spelarnas nuvarande positioner, utan också hur de rört sig precis innan är avgörande för att modellen ska göra en bra prediktion. Det visar sig däremot att för mycket historisk information inte behöver vara fördelaktigt utan förvirrar istället modellen. Arbetet visar på potential för användning av grafnätverk. Kan en modell användas tillsammans med ett detektionsnätverk så finns möjligheten att skapa en robust arkitektur för bollföljning inom fotboll. Framtida arbete inom detta område bör utreda om fler attribut kan användas för att minska snittfelet, till exempel spelarnas lagtillhörigheter och hur deras kroppar är orienterade. (Less)
Please use this url to cite or link to this publication:
http://lup.lub.lu.se/student-papers/record/9172881
- author
- Nirvin, Gustav LU
- supervisor
-
- Ivar Persson LU
- Ludvig Dillén LU
- organization
- alternative title
- Bollföljning inom fotboll - Användning av spelardetektioner för bollpositionering med hjälp av grafuppmärksamhetsnätverk
- course
- FMAM05 20241
- year
- 2024
- type
- H2 - Master's Degree (Two Years)
- subject
- keywords
- machine learning, graph neural network, graph attention network, association football, ball tracking
- publication/series
- Master's Theses in Mathematical Sciences
- report number
- LUTFMA-3554-2024
- ISSN
- 1404-6342
- other publication id
- 2024:E63
- language
- English
- id
- 9172881
- date added to LUP
- 2024-09-03 08:48:42
- date last changed
- 2024-09-03 08:48:42
@misc{9172881,
abstract = {{When automating data analysis or broadcasts in association football, a key piece of information is the position of the football. Locating the ball is often easier said than done since there are many scenarios where the ball is hard or even impossible to detect accurately using object detection methods. This thesis explores a different approach to determining the ball's position. Since the players on the pitch are much easier to detect than the football, those detections are leveraged to predict the position of the ball. By using a Graph Neural Network (GNN) architecture with attention layers the thesis explores with what accuracy it is possible to predict the ball's position in different scenarios of a game of football, as well as what features are most important for making a good prediction. The results show that it is possible to predict the ball's position with a total mean prediction error of 13.0 meters, with kick-offs having the lowest mean error, and penalties the highest. Besides the positions of the players, their velocities are important pieces of information that help make a good prediction in many, but not all, scenarios of a game. Furthermore, adding too much history of the players' positions and velocities leads to worse predictions but further investigation is necessary to determine if the model architecture is at fault or if the data has no useful underlying structure. In conclusion, GNNs show promise for predicting the ball's position since they improve significantly compared to a baseline, especially if put in place to operate in tandem with an object detection network. More features, such as what team each player is on and their body pose, could possibly improve the network's performance but were not explored in this project.}},
author = {{Nirvin, Gustav}},
issn = {{1404-6342}},
language = {{eng}},
note = {{Student Paper}},
series = {{Master's Theses in Mathematical Sciences}},
title = {{Ball Tracking in Association Football - Leveraging Player Detections to Locate the Ball Using Graph Attention Networks}},
year = {{2024}},
}