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
iPhone 17 Pro 手机摄像头凸起部位内部和外部大变动情况的解释说明。
1. 一个更大的、4800 万像素的长焦传感器
分辨率大幅提升。此前长焦镜头的像素数一直停留在 1200 万。现在提升到了 4800 万，像素数量翻了四倍，但同样的传感器尺寸下，每像素的面积会减小一半，从而影响低光环境下的拍摄表现。
苹果的解决方案：增大芯片尺寸。有传言称，新传感器的尺寸在 1/1.5 英寸级别——大约是目前 1/3.5 英寸镜头模块面积的两倍。由于手机厚度仅约 8 毫米，所以从物理角度来说，传感器无法“纵向”放置在镜头后面。因此，苹果将模块旋转了 90 度，并使用水平的共轴镜/四棱镜路径将光学器件分布在手机的宽度上。
2. 重新规划布局以腾出空间
现在，水平变焦镜头占据了之前放置激光雷达扫描仪和主板柔性连接器的右下角位置。
激光雷达向右移动。金属底盘和假外壳处的缝隙显示，激光雷达窗口向右滑动至边缘，正好与主板的连接块对齐。这样就缩短了线缆长度，并让长焦模块占据了空出的插槽。
3. 保持“理想三角形”外观
自 iPhone 11 Pro 以来，苹果的营销策略一直倚重于对称三角形设计；如今，这已成为其标志性的设计特色之一。通过将新的横向镜头置于手机内部，而非改变三个圆形窗口的相对位置，苹果在观察手机背面时仍能保持这一经典的三角形外观——尽管其内部构造已完全重新布局。
4. 这款新款望远镜头能实现什么功能？
4800 万像素堆叠式传感器 在夜间拍摄时可实现 4:1 的分档，从而获得 1200 万像素的照片效果，并且在白天拍摄时可获得真正的 4800 万像素的清晰细节
85 - 120 毫米等效焦距 光学放大倍数为 5 - 10 倍（苹果预计将将其宣传为“无损失的 10 倍”）
更大的传感器 + 更亮的镜头 通过缩短焦距弥补了低光性能的损失
2 轴传感器位移光学防抖系统 水平镜筒中额外的空间让苹果能够安装更大的磁铁，从而实现更大的位移范围5. 布局变更带来的附加好处
更薄的凸起部分——将光学器件横向分散放置能让苹果将相机堆叠的高度降低几毫米。
更好的散热路径 - 长焦镜头位于画面中部的一个完整区域之下，充当着热桥的角色，将热量从 SoC 部件引开。
更简便的组装方式——将激光雷达（LiDAR）连接器移到靠近主板的位置，这样在手机内部就无需再使用一根柔性线缆和一个螺丝支架了。
1. 一个更大的、4800 万像素的长焦传感器
分辨率大幅提升。此前长焦镜头的像素数一直停留在 1200 万。现在提升到了 4800 万，像素数量翻了四倍，但同样的传感器尺寸下，每像素的面积会减小一半，从而影响低光环境下的拍摄表现。
苹果的解决方案：增大芯片尺寸。有传言称，新传感器的尺寸在 1/1.5 英寸级别——大约是目前 1/3.5 英寸镜头模块面积的两倍。由于手机厚度仅约 8 毫米，所以从物理角度来说，传感器无法“纵向”放置在镜头后面。因此，苹果将模块旋转了 90 度，并使用水平的共轴镜/四棱镜路径将光学器件分布在手机的宽度上。
2. 重新规划布局以腾出空间
现在，水平变焦镜头占据了之前放置激光雷达扫描仪和主板柔性连接器的右下角位置。
激光雷达向右移动。金属底盘和假外壳处的缝隙显示，激光雷达窗口向右滑动至边缘，正好与主板的连接块对齐。这样就缩短了线缆长度，并让长焦模块占据了空出的插槽。
3. 保持“理想三角形”外观
自 iPhone 11 Pro 以来，苹果的营销策略一直倚重于对称三角形设计；如今，这已成为其标志性的设计特色之一。通过将新的横向镜头置于手机内部，而非改变三个圆形窗口的相对位置，苹果在观察手机背面时仍能保持这一经典的三角形外观——尽管其内部构造已完全重新布局。
4. 这款新款望远镜头能实现什么功能？
4800 万像素堆叠式传感器 在夜间拍摄时可实现 4:1 的分档，从而获得 1200 万像素的照片效果，并且在白天拍摄时可获得真正的 4800 万像素的清晰细节
85 - 120 毫米等效焦距 光学放大倍数为 5 - 10 倍（苹果预计将将其宣传为“无损失的 10 倍”）
更大的传感器 + 更亮的镜头 通过缩短焦距弥补了低光性能的损失
2 轴传感器位移光学防抖系统 水平镜筒中额外的空间让苹果能够安装更大的磁铁，从而实现更大的位移范围5. 布局变更带来的附加好处
更薄的凸起部分——将光学器件横向分散放置能让苹果将相机堆叠的高度降低几毫米。
更好的散热路径 - 长焦镜头位于画面中部的一个完整区域之下，充当着热桥的角色，将热量从 SoC 部件引开。
更简便的组装方式——将激光雷达（LiDAR）连接器移到靠近主板的位置，这样在手机内部就无需再使用一根柔性线缆和一个螺丝支架了。
0 00