首先，我要感谢主办方组织了如此精彩的比赛。我很高兴能赢得我的第一枚金牌！

概述

我的解决方案包含以下五个步骤：

1. 头盔检测
2. 跟踪与边界框插值
3. 球队分类
4. 球员映射
5. 后处理

1. 头盔检测

• 模型：YOLOv5l，输入尺寸：1280x1280
• 训练数据："images" 目录下的 9947 张图像
• 验证数据：来自 120 个训练视频的大约 1000 张图像
• 使用 TTA（YOLOv5 函数中的 "augment=True"）

2. 跟踪与边界框插值

我创建了自己的原创跟踪算法。基本上，我的算法利用两帧之间边界框两点（左上角 LT，右下角 RB）的距离，同时利用光流预测下一帧的边界框。光流方法的灵感来源于上一场比赛的顶级解决方案。在实现光流边界框预测时，我参考了这个 GitHub 仓库。预测边界框与检测边界框之间的 IoU 与边界框的距离一起被使用。

当某些边界框丢失跟踪时，它们会像下图那样保留两帧。结果，边界框的数量增加了。这旨在减少边界框的假阴性。由于跟踪处理了两次（正向和反向），边界框在前后帧中进行了插值。

3. 球队分类

我训练了一个球队分类 CNN，其输出尺寸为 2（球队）x len(gameKeys)。作为训练图像，我裁剪了头盔的边界框。为了利用球衣的颜色，我裁剪的边界框在底部方向上比原始边界框尺寸稍大。

• 模型：MobileNet v2，输入尺寸：160x160
• 损失函数：交叉熵
• 数据增强：水平翻转、平移、缩放、旋转、剪切、亮度、对比度、Cutout
• 特征尺寸：1280

训练好的 CNN 被用作特征提取器（移除了最后的全连接层）。提取的特征通过 K-means 分为两个簇。此时，我不知道哪一个是 "H" 队或 "V" 队。球队映射在下一步的“球员映射”中完成。

4. 球员映射

我的基础映射算法基于这个很棒的 Notebook。我对其进行了一些改进：

• 二维映射（x 和 y）
• 为了对边界框坐标的 x 轴进行加权，y 轴被归一化为 0~0.3，而不是 0~1。
• 使用匈牙利算法最小化映射距离
• 球队映射被用作距离的成本（球队不匹配会增加距离）。
• 尝试了 K-means 结果与 H/V 之间的两种球队分配组合，并采用距离最小的那种。

5. 后处理

在此步骤中，通过合并跟踪结果和映射结果来确定每个边界框的最终球员标签。首先，通过 XGBoost 模型预测每一帧的映射准确率。作为 XGBoost 模型的输入特征，使用了以下内容：

• 检测到的边界框数量
• tracking.csv 中的球员数量
• 帧号
• 该帧号与最近跟踪帧号之间的绝对差值
• 端区 或边线
• tracking.csv 中所有球员的 x(y) 坐标的平均值
• tracking.csv 中所有球员的 x(y) 坐标的标准差

其次，对于每个跟踪 ID，计算每个球员的总预测映射分数，并分配分数最高的球员。如果在同一帧中分配了相同的球员，则总分较低的边界框将被替换为分数第二高的球员。