Tracab’s optical tracking system allows to track the 2-dimensional trajectories of players and ball during a football game. Using this data it is possible to train machine learning models to identify events that happen during the match. In this thesis, we explore the detection of corners, free kicks, and throw-in events by means of neural networks. Training a model to solve this task is not easy; the neural network needs to model the spatio-temporal interactions between different agents moving in a 2-dimensional space. We decided to address this problem using graph neural networks in combination with recurrent neural networks, which allow us to model respectively the spatial and temporal components of the data. Tracking the position of the ball is difficult, which makes the dataset noisy. In this thesis, we mainly work with a version of the dataset where the position of the ball has been manually corrected. However, to study how the noisy position of the ball affects the results we also train the models on the original data. The results show that detecting the corner and the throw-in is much easier than detecting the free kick. Moreover, the noisy position of the ball affects significantly the performance of the model. We conclude that to train the model on the original data it is necessary to use a much larger training set. Since the amount of training data for these events is limited, we also train the model on the more generic ball-dead-to-alive event, for which much more data is available, and we observe that by increasing the amount of training data the results can improve significantly. In this report, we also provide an in-depth discussion about all the challenges faced during the project and how different hyperparameters and design choices can affect the results. / Tracabs optiska spårningssystem gör det möjligt att spåra de 2-dimensionella banorna för spelare och boll under en fotbollsmatch. Med hjälp av dessa data är det möjligt att träna maskininlärningsmodeller för att identifiera händelser som inträffar under matchen. I denna avhandling utforskar vi upptäckten av hörnor, frisparkar och inkastningshändelser med hjälp av neurala nätverk. Att träna en modell för att lösa denna uppgift är inte lätt; det neurala nätverket behöver modellera de rums-temporala interaktionerna mellan olika agenter som rör sig i ett 2-dimensionellt rum. Vi bestämde oss för att ta itu med detta problem med hjälp av grafiska neurala nätverk i kombination med återkommande neurala nätverk, vilket gör att vi kan modellera de rumsliga respektive temporala komponenterna i datan. Det är svårt att spåra bollens position, vilket gör datauppsättningen bullrig. I detta examensarbete arbetar vi främst med en version av datamängden där bollens position har korrigerats manuellt. Men för att studera hur bollens bullriga position påverkar resultaten tränar vi också modellerna på originaldata. Resultaten visar att det är mycket lättare att upptäcka hörna och inkastet än att upptäcka frisparken. Dessutom påverkar bollens bullriga position avsevärt modellens prestanda. Vi drar slutsatsen att för att träna modellen på originaldata är det nödvändigt att använda en mycket större träningsuppsättning. Eftersom mängden träningsdata för dessa evenemang är begränsad, tränar vi också modellen på den mer generiska bollen död-till-levande-händelsen, för vilken mycket mer data finns tillgänglig, och vi observerar att genom att öka mängden träningsdata resultaten kan förbättras avsevärt. I denna rapport ger vi också en fördjupad diskussion om alla utmaningar som ställs inför under projektet och hur olika hyperparametrar och designval kan påverka resultaten.