Título:
Modelado de partidos de fútbol para la detección de eventos a partir de datos de tracking
Otros títulos:
Coordinador:
Director:
Compilador:
Autor:
Figueredo Martínez, Guillermo
Tutor:
Cancela, Héctor
Trinidad, Guillermo
Trinidad, Guillermo
Tipo de documento:
Tesis de grado
Editor:
Palabras clave:
Tracking de video
Detección de eventos deportivos
Modelo Oculto de Markov
Modelo Oculto de Semi-Markov
Random Forest
Long Short-Term Memory
Grid Search
Detección de eventos deportivos
Modelo Oculto de Markov
Modelo Oculto de Semi-Markov
Random Forest
Long Short-Term Memory
Grid Search
Descriptores:
Año de publicación:
2026
Contenido:
Resumen:
Este trabajo surge de la necesidad de contar con herramientas automáticas y reproducibles para analizar partidos de fútbol a partir de datos reales, reduciendo la dependencia en procesos manuales de etiquetado, costosas tecnologías e infraestructura y buscando facilitar el acceso a datos más avanzados. El proyecto desarrolla y evalúa una solución automática y reproducible para detectar y clasificar eventos de fútbol a partir de datos de tracking derivados de transmisión televisiva. El problema abordado combina dos dificultades, en primer lugar, la incertidumbre propia del tracking en contexto televisivo (oclusiones, estimaciones de posición y ruido temporal) y la necesidad de reconstruir una secuencia de eventos coherente a nivel temporal. La solución propuesta parte de la alineación temporal entre tracking provisto por Pro Football Focus y eventos de StatsBomb usados como ground truth. Sobre esa base, se construye un conjunto de datos etiquetado por frame, se extraen atributos espaciales y temporales, y se entrenan modelos de distinta familias: Modelo Oculto de Markov (Hidden Markov Model), Modelo Oculto de Semi-Markov (Hidden Semi-Markov Model), Random Forest y una red neuronal Long Short-Term Memory (LSTM). Además, se evalúan estrategias híbridas y postprocesamiento secuencial para mejorar la consistencia temporal. El ajuste de hiperparámetros se realiza mediante búsqueda en grilla, con variantes completas o por etapas según costo computacional. La evaluación se realiza a nivel de frame y a nivel de evento, usando como métrica principal la macro-F1 a nivel de evento con tolerancia temporal de 1 segundo. Bajo ese criterio, el mejor resultado se obtiene con Random Forest con postprocesamiento markoviano (macro-F1 event-level de 0.331 y macro-F1 frame-level de 0.269), seguido por el híbrido ensamblado (0.324 event-level) y por la red Long Short-Term Memory (0.285 event-level). Al ampliar la tolerancia temporal a 5 segundos, todas las familias mejoran y el híbrido ensamblado pasa al primer lugar con macro-F1 event-level de 0.447, mientras que Random Forest mantiene un rendimiento muy cercano (0.442). En una evaluación complementaria con grupos semánticos de etiquetas, Random Forest vuelve a liderar (0.538 con tolerancia de 1 segundo y 0.697 con tolerancia de 5 segundos), lo que refuerza la solidez del enfoque. En conjunto, la solución demuestra viabilidad técnica sobre datos reales, permite comparar de forma justa modelos secuenciales y discriminativos, y establece una base metodológica reutilizable para futuros sistemas de analítica automática en fútbol.
Descripción:
Editorial:
Udelar. FI.
EN:
Financiadores:
Citación:
Figueredo Martínez, G. Modelado de partidos de fútbol para la detección de eventos a partir de datos de tracking [en línea] Tesis de grado. Montevideo. Udelar. FI.INCO, 2026.
Citación:
metadata.cc.license.name:
Documento del Gobiberno:
URI:
https://hdl.handle.net/20.500.12008/56461
ISBN:
e-ISBN:
ISSN:
ISMN:
Otros identificadores:
Título Obtenido:
Ingeniero en Computación
Facultad o Servicio que otorga el Título:
Universidad de la República (Uruguay). Facultad de Ingeniería.
Licencia:
Licencia Creative Commons Atribución - No Comercial - Compartir Igual (CC - By-NC-SA 4.0)
Cobertura geográfica:
Cobertura temporal:
metadata.dc.relation.IsVersionOf:
Clasificación:
Es versión de:
Colecciones:
| Ficheros | Descripción | Tamaño | Formato | ||
|---|---|---|---|---|---|
| Principal Fig26.pdf | Tesis de grado | 1.79 MB | Adobe PDF |