公开的第4名解决方案

首先，感谢组织者在这场精彩的比赛中所付出的努力，并祝贺所有的获胜者。虽然我们需要再等两个月才能看到最终结果，但请允许我分享我目前排名第4的解决方案。

概述

我的解决方案的基本流程和模型摘要如下所示。

帧提取

我使用 FFmpeg 从视频中提取并保存帧。请注意，为了减少磁盘 I/O 的时间，我决定丢弃偶数帧并将帧的大小减小到 960x540（即原始大小的一半）。

候选帧选择

这一步的目的是找到可能发生事件的候选帧。我简单地将每个提取的帧分为四类：背景（非事件）、play（比赛）、challenge（争抢）和 throwin（掷界外球）。主干网络是 timm 的 efficientnetv2_l，输入帧被调整为 512x512。

这个过程完全不使用时间信息，所以准确率本身并不高，但我在这里想做的是以高召回率找到事件帧。所以我忽略了分类分数的绝对值，而关注相对峰值。我使用了 scipy.signal.find_peaks，并选取分类分数峰值对应的帧作为候选帧。

事件区域检测

通过一系列实验，我发现如果简单地使用整个帧，很难达到有竞争力的分数。由于本次比赛允许手工标注，我决定训练一个事件区域检测模型来从帧中提取 ROI（感兴趣区域）。我为训练集中的所有事件帧标注了事件区域（大致）中心的 xy 坐标（基本上是与事件最密切相关的球员的坐标）。这花了几周时间 :-(

事件区域检测器是一个简单的 UNet，它输出事件区域的热力图。主干网络是 timm 的 efficientnet_b5，输入帧被调整为 512x512。下图显示了一些示例结果。在图中，左边是输入，中间是叠加在输入上的输出热力图，右边是以热力图峰值为中心的放大图像。

检测球是本次比赛中比较有前景的方法之一，但正如这里