最近提案されたアクションスポットティングタスクは、イベントが発生する正確なタイムスタンプを見つけることを目的としています。このタスクは、サッカーのビデオに特に適しています。サッカーのビデオでは、イベントはサッカーの規則によって厳密に定義された特徴的な行動（ゴールはボールがゴールラインを越えたときに発生します）に対応します。本論文では、アクションスポットティング用の軽量でモジュール型のネットワークを設計しました。このネットワークは、同じ基本的な特徴を使用してイベントのラベルとその時間的オフセットを同時に予測することができます。さらに、モデルを2つの学習戦略で強化しました：1つ目はデータバランスと一様サンプリングのために、2つ目は曖昧なフレームをマスキングし、最も識別力のある視覚的ヒントを保持するためにです。SoccerNetデータセットで標準的な特徴を使用してテストした結果、当社の提案手法は現行の最先端技術を超える3ポイントのAverage-mAP向上を達成しました。また、強力な2Dバックボーンと組み合わせて微調整することで、テストセットでのAverage-mAP向上が10ポイント以上となることが確認されました。