中国足球深度剖析之三:在足球改革大潮中,技战术和意识却越来越落后

按说中国男子足球进行全面职业化改革已经十五年有余了吧,在这十五年里,确实在一些方面有些许的进步,例如基本职业化,自己养活自己,还能时不时向总局交点money,在国家各项体育行业里,是首个不用国家养活的体育项目。
实在的说,这职业化的15年,中国足球是有进步,可是在竞技体育中,因为牵涉到竞争,所以进步具有相对性。在人家日韩向前跨100米的时候,我们仅仅前进了50米,这还能算是进步吗?正是由于这种进步原因,造成我们和足球强国的差距反而越拉越大。最近几年更是连进入亚洲二流都举步维艰。
现在切入正题,在足球的技战术和意识方面,我们不仅和足球强国,甚至和亚洲各国的差距都表现在各方各面。
首先,由于贝克汉姆等一系列脚法大师的出现,世界范围内已经对足球的脚法相当讲究,并做了深入研究。最简单的,大脚长传和边路下底传中的助攻,现在都讲究要踢出低平球,并且旋转速度和前进速度都要快,这样可以使对方守门员和后卫来不及判断球的准确落点和方向,各个足球强国都已经意识到这种脚法的重要性,唯独中国男足,感觉上只有在阿里汉时代在脚法上进行了训练。自阿里汉离任后,马上又进入20年前那种高射炮似的大脚长传,在最近几场亚洲杯预选赛上,铁蛋带领的殷家军俨然就是这种高射炮的嫡系传人!此技战术落后之首。
其次,一些足球比赛中常用的战略战术,在国足竟然根本找不到影子,最典型的就是进攻有优势情况下,如果对方后卫太密集,通常国际惯例都是增加几脚远射,让后卫靠前,但多少年来,国足连这最简单的一招也没有学会,即使对约旦这样的业余队,久攻不下,还是在禁区内聚集大量兵力狂攻,结果反而让人家防守反击偷袭得手!
第三,现代足球一直在向纵深方面发展,目前一些一流的世界强队,例如巴西,西班牙,意大利。和不熟悉的球队踢球,先要进行一下试探,这当然是惯例,但是人家试探的办法,有一种是放对方进来攻,我们只做防守,看看对方有几斤几两,这自然是建立在对自己相当自信的基础之上的。我想问问,国足有这个水平和胆量如此试探么?铁蛋同志带领的球队,一上来就是在对方半场一顿狂攻乱炸,20分钟后不奏效,就被对手占得先机,试问这种踢法,赢球的概率有多少?
在别人越来越聪明的用脑子踢球时,我们却一点进步都没有,还用20年前貌似叫做三板斧的一门技术和人家比拼。
第四,现代足球,无论多强的球队,在试探出对方的水平后,通常也不着急进攻,会寻找对方中后场位置上最薄弱的人员,来进行突破。也就是中后场球员,尤其是后卫,谁的水平次,就总是被人家利用来突破和进攻。国足在这一点上的理解力又是多少?总是看到国足中前场球员拿球后瞎跑乱传。
第五,现代足球为了迷惑对手和出奇制胜,讲究要经常变阵。这一做法对球员本身水平有极高的要求,如果不能充分理解主教练的意图和自己位置的主要作用和特点,那就。。。算了,还是不要在评论国足时提起这种高难度动作了吧!
中国足球从技术到意识上都和足球强国差距这么巨大,路漫漫其修远兮,望国足上下而求索。
写这篇技术性较强的文章的目的,仅仅是希望国足能在俺有生之年,再一次打进世界杯决赛阶段。
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值