近台正手攻球基本动作23项要领

预备姿势
  1. 含胸收腹——身体稍为弯腰 前倾,肚子内收,两脚与肩平宽,左脚稍前,右脚稍后, 膝盖微弯保持弹性。
  2. 近台站位——身体不可离桌子太远,因为这是近台技术。击球位置会在球桌边缘附近,甚至是台内击球。

引拍时机
  3. 提早引拍——当对手击球后,球快过网时,就要准备引拍,并且预测球的落点调整站的位置。当球落台时,引拍动作就应该完成,准备迎前击球。记住,这是近台技术,引拍要早,起拍也要早。
  4. 身体跟球——不要拉手去追球、跟球,要移动身体来跟球。手臂与身体的距离要保持固定。
  引拍动作——引拍姿势如果错误,整个正手攻球的动作就被破坏掉,这一点非常重要!
  5. 以腰带手——注意转腰动不能太大,约45度上下即可。大臂要固定在腰侧,随肩摆动,不可主动后拉。
  6. 小臂放松——小臂跟大臂夹角不能太小……小臂应该自然放下,夹角约110度,也不可以把手伸直。
  7. 不可抬肘——大臂与腰之间的距离不可太远。大臂放松,但也不需要夹臂,保持舒适的距离即可。
  8. 重心右移——右腿要稍微吃力,重心移动到右脚,上半身保持正直姿势,随着臀部往右脚靠近移动。注意,身体是水平平移,不可以往右蹲下,造成身体右倾。
  9. 手不后甩——手不能甩至屁股后面,顶多到右脚掌上方再往后一些。
  10. 拍型前倾——引拍时,拍面应该就要往前压,拍前倾;拍面不可向上仰,但是也不可以倾斜太多。迎向击球点的垂直面积要够大。拍面要有迎风的感觉,而不是往前上“劈”。
  11. 不可僵硬——应该全身放松,手臂、肩膀、腕部、手指全部放松,不可僵硬。
  12. 引拍高度——引拍高度应该在桌面上,不可以把球拍放到桌面下。引拍高度也不可以太高,不能抬肘。
  13. 右肩稍沉——利用右肩来降低引拍高度,而不是把手打直把拍子放低。也不能两腿蹲低引拍(两腿微弯保持弹性而不是蹲低)。

挥拍时机
  14. 借力截击——球进台后弹起时,上升期或高点前期就要挥拍击球。借助球反弹的力量就能轻易回击。
  如果击球点太高会容易翻拍。击球时机太晚,会变成抽球,或者击球无力。
  近台正手攻球是利用反弹的力量还击,所谓借力击球,也可以说是 截击。太晚击球无法借力,就必须主动发力,力量、弧度比较难控制。

挥拍前期
  15. 以腰带手——一样要以腰带手来运拍,肩膀、大臂不可发力,用身体转腰带动肩膀,以腰带肩,以肩带手。
  16. 重心左移——转腰同时,重心要往左脚方向移动,使身体迎向击球方向来击球(练习时,要规范自己往左前方击球)。这就是所谓的用脚打球。

挥拍击球
  17. 收缩小臂——击球时,必须利用收缩小臂来击球,大臂、肩膀、腕部都不可出力。
  18. 击球方向——击球方向取决于重心转移让身体前迎的方向,小臂也有调节作用。
  19. 右眉收拍——击球后,小臂的位置在脸的正前方   15~20cm,不可离身体太远,高度不可太低;太左、太右也都不正确。小臂击球后跟大臂的夹角在60~90度左右。
  20. 腕部固定——整个挥拍过程,除非高阶技巧,手腕严禁晃动、翻转用力、翻拍等。

  21. 挥拍轨迹——要与来球轨迹在一条直线上,这样能最大限度地发挥击球的效能并保证出球的稳定;也就是说,这时拍面与来球的轨迹应该构成“丁字形”,这样才能使球垂直受力,不带侧旋。
  22.手肘在右——注意手肘要固定在右腰侧,不可抬高,也不可前后拉动。手肘固定,大臂就自然固定。
  23. 收腰击球——腰部转正即可,不可以往左转腰过度(扣杀、侧身攻击除外)。

挥拍后

  停止挥拍,身体要正、要直,不可歪斜。挥拍完回复动作,手应该缓而不慢地放下往右,恢复预备姿势,准备引拍。

基本步伐——单步移动
  1. 引拍时的站姿:左脚在前,右脚在后。左脚跟右脚的联机方向决定进球点的位置。
  2. 如果来球落点离身体太远,身体要稳,往前靠——左脚往前跨,右脚可不动。
  3. 如果来球落点离身体太近,身体要往后退——右脚往后退,左脚可不动。
  4. 如果来求落点在身体右方,身体要往右跟——右脚往右跨,左脚可不动。
  5. 如果来球落点在身体左方,身体要往左靠——左脚往左跨,身体闪成侧身击球。

打出规律&摩擦与撞击——当你一切动作都很顺畅之后,才可以加上摩擦,来增强威力。

练球方式——正手位练习时一定要打出斜线——由右 

  • 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)的任务是找出图像中所有感兴趣的目标(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。首先检测图像中目标的位置(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),表示边界框中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)从输入图像中提取特征,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 中进行分类,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中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,选中值最大的框 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) 从未处理的框中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中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