即刻App年轻人的同好社区
下载
【投早投小投科技政策申报路演结果通知】
您好！感谢贵司参与南山区战略直投种子基金和天使基金的项目路演活动。经专家团队严格评审，贵司此次申报项目综合得分未达到立项标准，故本次申报流程终止。
投早投小投科技政策长期开放申报通道，欢迎贵司在技术研发与方案优化取得新进展后，再次积极申报。期待未来与贵司携手共进，助力企业发展。
再次感谢贵司对本次路演活动的积极参与与支持！[玫瑰]
失败的深圳路演，该说什么好呢？继续加油吧还能咋办
您好！感谢贵司参与南山区战略直投种子基金和天使基金的项目路演活动。经专家团队严格评审，贵司此次申报项目综合得分未达到立项标准，故本次申报流程终止。
投早投小投科技政策长期开放申报通道，欢迎贵司在技术研发与方案优化取得新进展后，再次积极申报。期待未来与贵司携手共进，助力企业发展。
再次感谢贵司对本次路演活动的积极参与与支持！[玫瑰]
失败的深圳路演，该说什么好呢？继续加油吧还能咋办
0 00
skalskip92博主又又又更新了最新的进展，现在这个效果很符合我的需求
1. 33 维关键点检测 + 单应性映射
- 模型架构：基于 HRNet 微调，覆盖从手指到脚踝的 33 个关节点。
- 性能指标：mAP@0.5 = 0.88；30 FPS 实时处理能力。
- 全场映射：RANSAC + DLT 拟合单应性矩阵，定位误差≤3cm，实现球员从摄像机视角到俯视图的精准投射。
2. 跳投检测瓶颈与当前方案
- 单帧物体检测：YOLOv8-NBA 模型，可识别球员、篮球、篮筐及球衣号码，mAP@0.5 ≈ 0.72。
- SAM2 分割提示框：将上述检测输出作为 Segmentation Anything Model 2 的提示框（prompts），得到精准的人物分割，提升后续动作分析的 ROI 质量。
- 挑战：
- 跳投瞬间速度快、上下半身遮挡严重
- 单帧模型难以捕获动作时序特征，容易漏检或误将运球误判为跳投
技术迭代与未来方向 多模态融合
- 光流 (Optical Flow)：捕捉连续帧间的快速运动矢量，辅助检测跳投启动与结束
- 单目 3D 姿态估计：估算关节点的三维坐标，精准还原跳投投篮弧线与身体姿态
- 时序神经网络
- Transformer-Based Detector：编码前中后三阶段特征，提高对跳投整体动作的判别力
- 图卷积网络 (GCN)：对骨骼关键点时序图建模，挖掘空间–时间关联
1. 强化学习微调
- 在模拟场景中生成各种跳投姿势与遮挡情况
- 通过策略梯度方法，强化模型在复杂环境下的自适应能力
共建开源生态与应用前景
- 实时边缘推理：结合 5G 与边缘计算，实现场边秒级战术反馈
- 增强现实直播：观众端叠加热力图、线路图，直观“看懂”战术
- 智能化训练系统：基于动作分析自动生成个性化训练方案，助力运动员更高效进步
1. 33 维关键点检测 + 单应性映射
- 模型架构：基于 HRNet 微调，覆盖从手指到脚踝的 33 个关节点。
- 性能指标：mAP@0.5 = 0.88；30 FPS 实时处理能力。
- 全场映射：RANSAC + DLT 拟合单应性矩阵，定位误差≤3cm，实现球员从摄像机视角到俯视图的精准投射。
2. 跳投检测瓶颈与当前方案
- 单帧物体检测：YOLOv8-NBA 模型，可识别球员、篮球、篮筐及球衣号码，mAP@0.5 ≈ 0.72。
- SAM2 分割提示框：将上述检测输出作为 Segmentation Anything Model 2 的提示框（prompts），得到精准的人物分割，提升后续动作分析的 ROI 质量。
- 挑战：
- 跳投瞬间速度快、上下半身遮挡严重
- 单帧模型难以捕获动作时序特征，容易漏检或误将运球误判为跳投
技术迭代与未来方向 多模态融合
- 光流 (Optical Flow)：捕捉连续帧间的快速运动矢量，辅助检测跳投启动与结束
- 单目 3D 姿态估计：估算关节点的三维坐标，精准还原跳投投篮弧线与身体姿态
- 时序神经网络
- Transformer-Based Detector：编码前中后三阶段特征，提高对跳投整体动作的判别力
- 图卷积网络 (GCN)：对骨骼关键点时序图建模，挖掘空间–时间关联
1. 强化学习微调
- 在模拟场景中生成各种跳投姿势与遮挡情况
- 通过策略梯度方法，强化模型在复杂环境下的自适应能力
共建开源生态与应用前景
- 实时边缘推理：结合 5G 与边缘计算，实现场边秒级战术反馈
- 增强现实直播：观众端叠加热力图、线路图，直观“看懂”战术
- 智能化训练系统：基于动作分析自动生成个性化训练方案，助力运动员更高效进步
00:15
0 00
🏀 篮球 + AI 的未来正在加速到来！
最近我在关注一位国外博主 @SkalskiP（他是机器视觉方向的技术大神），他和团队正在研究一个超酷的开源项目：sports AI by roboflow
这个项目的目标是：
✅ 检测并追踪球员和篮球的位置（使用 YOLOv8 等 SOTA 模型）
✅ 将球员自动分组成双方队伍（通过球衣颜色聚类或轨迹聚类）
✅ 计算射击距离和角度，甚至未来能自动判断是否是好机会（shot quality prediction）
🔍 项目使用的技术栈主要包括：
- YOLOv8/YOLO-NAS：用于目标检测（球员、篮球、球框等）
- DeepSORT / ByteTrack：用于对象追踪，确保每个球员在整场比赛中都有“身份”
- OpenCV / supervision：图像处理与可视化工具
- Homography 变换：将视频图像从“摄像头视角”映射到“平面篮球场”，进行坐标统一
- 坐标几何 + 动作识别算法：计算球员位置、速度、投篮点距离篮框距离等
🌐 篮球 + 人工智能，会走向什么样的未来？
作为也在研究这个方向的人，我认为未来可能的突破包括：
- 战术自动识别（如自动识别挡拆、快攻、防守策略）
- 球员能力数据建模（比如：AI 评估球员“真实命中率” VS “预期命中率”）
- 虚拟教练系统：通过视频分析给出训练建议和错误分析
- 观众增强体验：AI 实时分析比赛，给普通观众提供专家级解说视角
动作识别 + 姿态分析：自动识别你是在投篮、突破、还是挡拆
轨迹回放 + 距离计算：你跑了多远？出手点离篮筐多远？
和NBA球员对比训练数据：比如你和利拉德在同个位置出手，命中率谁高？
个性化训练建议生成：AI 自动告诉你下一步训练该练什么（比如加强横移 or 改变投篮弧线）
🎯 这个方向的终极目标，是用 AI 让篮球数据变得“可视化 提升专业化水平 增加更深的趣味”。
最近我在关注一位国外博主 @SkalskiP（他是机器视觉方向的技术大神），他和团队正在研究一个超酷的开源项目：sports AI by roboflow
这个项目的目标是：
✅ 检测并追踪球员和篮球的位置（使用 YOLOv8 等 SOTA 模型）
✅ 将球员自动分组成双方队伍（通过球衣颜色聚类或轨迹聚类）
✅ 计算射击距离和角度，甚至未来能自动判断是否是好机会（shot quality prediction）
🔍 项目使用的技术栈主要包括：
- YOLOv8/YOLO-NAS：用于目标检测（球员、篮球、球框等）
- DeepSORT / ByteTrack：用于对象追踪，确保每个球员在整场比赛中都有“身份”
- OpenCV / supervision：图像处理与可视化工具
- Homography 变换：将视频图像从“摄像头视角”映射到“平面篮球场”，进行坐标统一
- 坐标几何 + 动作识别算法：计算球员位置、速度、投篮点距离篮框距离等
🌐 篮球 + 人工智能，会走向什么样的未来？
作为也在研究这个方向的人，我认为未来可能的突破包括：
- 战术自动识别（如自动识别挡拆、快攻、防守策略）
- 球员能力数据建模（比如：AI 评估球员“真实命中率” VS “预期命中率”）
- 虚拟教练系统：通过视频分析给出训练建议和错误分析
- 观众增强体验：AI 实时分析比赛，给普通观众提供专家级解说视角
动作识别 + 姿态分析：自动识别你是在投篮、突破、还是挡拆
轨迹回放 + 距离计算：你跑了多远？出手点离篮筐多远？
和NBA球员对比训练数据：比如你和利拉德在同个位置出手，命中率谁高？
个性化训练建议生成：AI 自动告诉你下一步训练该练什么（比如加强横移 or 改变投篮弧线）
🎯 这个方向的终极目标，是用 AI 让篮球数据变得“可视化 提升专业化水平 增加更深的趣味”。
00:06
2 00
