南非日记——国足再成笑柄!

 

南非之行第二天,忙碌又充实,从上午11点30分从酒店出发,到结束全部的采访回到酒店,整整用去了11个小时。在这过去的11个小时里,我充分的感受到南非这个国家为世界杯做的积极准备,他们表现出了足够的决心去办好这届世界杯,他们在用心做一个真正属于世界球迷的世界杯。

上午11点30分出发,前往桑顿中心,参加国际足联的一个发布会,会场布置的非常简单,但醒目的写着“FIFA FAN FEST SOUTH AFRICA”,提醒所有参加发布会的嘉宾,这是一个与球迷有关的发布会,出席发布会的两位嘉宾来头很大,一个是南非世界杯首席执行官丹尼斯·乔丹,另一个是FIFA市场部的负责人。

整个发布会的议题也很明确,就是南非世界杯将提供给球迷一个怎样的节日,毕竟这是世界杯第一次在神秘的非洲大陆举行。围绕这个议题,两位嘉宾边讨论边介绍南非的安保情况,球迷如何流动,如何住宿,当然还有交通问题,球票问题。

在所有话题中,安保问题成为重点,如何保障球迷的安全,如何保障球迷有酒店住,如何保障南非本地球迷和世界各地的球迷和睦相处,事实上这些话题是每个国家举办大型赛事前都将面临的最频繁的询问,去年夏天,我们的北京奥运会也是在这些质疑声开始的,让人骄傲的是,我们最终成功了。

在发布会上,丹尼斯·乔丹都进行了耐心的解答,但我明显的感觉到,这些话题其实并没有答案,丹尼斯在会上说了很多,但我印象最深的只是这样一句话,意思是,我也不知道明天会发生什么,我希望什么都不会发生。

南非世界杯组委会已经向过去举办过世界杯的城市学习了很多经验,但经验都是别人的,如何证明南非已经准备好了,只能在南非世界杯结束之后,我们才有答案。

当然我也很关心,南非世界杯组委会什么时候可以宣布,我们真的已经为世界杯准备好了?这里的准备好,其实很简单,那就是那9个体育场什么时候可以投入使用?丹尼斯给出的答案是三个月。三个月之后,南非世界杯的所有球场就可以接受全世界的检阅。

但丹尼斯还说了这样一句话,这句话让人很深刻的感受到南非人民在真正的做一个让球迷能够满意的世界杯,丹尼斯说:“仅仅有漂亮的场馆并不够,如果球迷没有足够的宾馆去住,那么才是糟糕的。”


结束这个公开的发布会,丹尼斯·乔丹先生接受了来自亚洲记者们的集体访问,确切的说应该是一次座谈会,事实上丹尼斯·乔丹会说些什么,我并不在意,因为在我的印象里,我已经在北京见过他两次,并且采访过他一次。几个月前的话,放在现在再来一遍,会不会过时?我想是不会的。

不过中国足球再次在这个小规模的座谈会上遭到调侃,丹尼斯·乔丹对我们说:“有人跟我保证过,中国一定会进入世界杯决赛圈的,为什么没有?” 对于这样的调侃,丹尼斯·乔丹得到了这样的回答,“it is only a joke”。

是啊,一个玩笑,中国足球现在何尝不是一个玩笑呢?座谈会上,丹尼斯·乔丹依然高姿态的谈论着中国足球,比如中国应该有球员在海外踢球,这样会带动中国足球的发展,比如中国足球将是未来最大的足球国家,一旦进入了世界杯,将是很强大的力量。

作为一名长期跟随国家队的足球记者,对于丹尼斯·乔丹的话说,我也仅仅只能当做一个玩笑来听,中国队能不能进入世界杯,什么时候?这个问题,似乎真的只能问问上帝。要知道,在出发前往南非的路途中,我们的国家队在主场仅仅一球战胜了黎巴嫩队,世界杯对于中国已经越来越远。

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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