该研究利用特征聚合方法 NetVLAD++ 在足球广播中实现行为定位，基于 SoccerNet-v2 数据集训练，取得 53.4% 的平均 MAP，提升 12.7%。文章探讨了足球动作场景理解的挑战，强调多模态方法的潜力，并提出基于图的方法和主动学习框架，以提高行为检测精度。