归化球员成亚洲杯新“潮流” 中国足球何去何从?

归化球员成亚洲杯新“潮流” 中国足球何去何从?

资料图:包括中国队在内的全本土阵容,竟然成了本届亚洲杯里的少数派。

中新网客户端北京1月20日电(王思硕)亚洲杯1/8淘汰赛战火重燃。在绿茵场刀光剑影的间隙,不妨让我们静心思索,本届比赛有怎样的信号值得国足留意。仁者见仁,不过,归化球员一定是那道绕不过的命题。

所谓归化球员,是指在出生国籍以外自愿、主动取得其他国家国籍的球员,与技术移民相似,吸引合法化“外援”。本届亚洲杯,各队总共征召了86名归化球员,占参赛球员总数的15.4%,曾经的“少数群体”,如今渐成舞台主角。

未来,归化之法注定会被更多球队效仿,待到下届亚洲杯开战,归化球员只多不少。中国足球到底应该怀着何种心态,面对这股亚洲足坛新潮?

归化球员成亚洲杯新“潮流” 中国足球何去何从?

资料图:埃里克森执掌的这支菲律宾队中,只有两位土生土长的菲律宾人。 图片来源:Osports全体育图片社

17支参赛队征召归化球员

2019年,亚洲杯正式完成扩军,入围正赛的球队由此前的16支增至24支。而在扩军背后,也蕴藏着球队两极分化降低比赛质量的风险。除了拥有归化球员传统的强队之外,一些实力并不占优的球队为快速提升硬实力,也纷纷走上归化球员的“捷径”。据统计,本届亚洲杯24支参赛球队中,有多达17支球队征召了归化球员,这无疑也创造了亚洲杯新纪录。

相较之下,包括中国在内的4支东亚球队对球员归化问题较为保守,而西亚、东南亚等地区球队均已将归化政策纳入“常规操作”。

与中国同处C组的菲律宾三战皆墨小组垫底,但他们却至少占据了一个亚洲杯“头名”之位。球队23人大名单中,包括21位归化球员,只有首次入选国家队的第三门将比亚诺瓦和替补前锋贝迪克是土生土长的菲律宾人。比谁家的归化球员更多?菲律宾人的字典里没有“怕”字。

归化球员成亚洲杯新“潮流” 中国足球何去何从?

资料图:2018年11月20日晚,中国队在海口主场被巴勒斯坦逼平,帮助巴勒斯坦扳平比分的11号亚瑟·伊斯拉姆便是一名归化球员。 图片来源:Osports全体育图片社

与菲律宾“一家独大”不同,西亚球队成为归化球员分布最密集的地区。巴勒斯坦(12人)、卡塔尔(11人)、约旦(9人)、黎巴嫩(8人)等队都手握大批归化球员。上届亚洲杯上一战成名的“海湾梅西”奥马尔同样是阿联酋的归化球员。甚至,近年饱受内战之苦的叙利亚都从荷兰国少队挖来归化中场奥斯曼。

归化球员也需“因地制宜”

亚洲杯扩军,令不少亚洲杯稀客曙光重现。但亚洲地区足球发展现状参差不齐,很多实力国家为了实现冲入亚洲杯的既定目标,方才将目光投放到海外球员身上。不过,通过大赛检验,归化球员效果高下立判。倚仗“外来人口”冲击亚洲杯的球队中,只有卡塔尔与约旦顺利杀入淘汰赛阶段,反观菲律宾、巴勒斯坦、黎巴嫩,则只能在小组赛中充当“炮灰”。

信息化时代里,世界各地之间的距离被无限拉近,即便远隔万里,好苗子也会在极短时间里被公之于众。再加上招揽外地球员早已不是新鲜事,真正优秀的球员大多“名花有主”。剩余球员中,免不了“鱼龙混杂”,如何确保归化球员的高水准,又是摆在一众国家面前的难题。

归化球员成亚洲杯新“潮流” 中国足球何去何从?

资料图:亚洲不同地区之间风格迥异,比如此前在与澳大利亚的交锋中,国足在身体对抗方面居于下风。

即便找到了心仪的目标,新的烦恼又会不请自来。亚洲各地球风迥异,历史、文化等因素共同影响下,菲律宾能够近乎全盘接受归化球员的“大杂烩”,除此之外,各队基本保留了自己本土化的足球元素。这时,想让归化球员顺利融入环境,与本土球员无缝衔接,几乎是不可能完成的任务。

知己知彼百战不殆,正视自身定位,“对症下药”寻觅归化球员,才是各队最高效的引援方式。一味依靠数量累积堆砌而成的“大杂烩”,只会为球队当初的盲目选择付出代价,这也是亚洲杯给中国足球上演的生动一课。

中国足球“归化之路”前景几何?

一个月前,中国足协召开2018年职业联赛总结大会,足协党委书记杜兆才在会上明确表态:“足协将出台关于归化球员的实施政策,协助俱乐部试点归化具有较高水平的优秀外籍球员参加中超联赛,积极推进优秀外援的归化工作。”这段表述背后,是足协对待归化球员的态度转变。

归化球员成亚洲杯新“潮流” 中国足球何去何从?

资料图:完败韩国一战,再次暴露出中国与亚洲最高水准之间的差距。

亚洲杯三场小组赛,国足两胜一负基本达到外界预期,但与韩国一役,国足攻防两端被全面压制,最终0:2完败,证明我们依然和亚洲最高水准相去甚远。而看过澳大利亚、伊朗、日本等队的比赛之后,这种实力鸿沟更加清晰可感。这时,人们自然会联想到足协关于归化球员的表态,或许未来,中国队阵中真的会出现一张与众不同的面孔。

如果球员归化由足协层面进行,无疑对国家队的整体实力产生直接影响。除此之外,还存在另一种可能,那就是从俱乐部层面开展归化工作。如此一来,联赛竞技水平会得到迅速提升,甚至青训方面也会因此受益,而俱乐部本身也可以规避联赛外援政策的限制。

如果能吸引适应国足特色、拥有极强个人能力的“外籍军团”加入,国足确实能在短时间内缩短与亚洲乃至世界顶尖球队的差距。不过,在讨论国内应该如何看待归化球员问题之前,我们必须明确一道限定标准——归化球员的加入对国足、对中国足球都有利的前提,不仅仅是他们已经达到了国家队人员选拔要求,更重要的是需要让外界看到,他们能够为中国足球带来什么。

归化球员成亚洲杯新“潮流” 中国足球何去何从?

资料图:日本归化球员自上世纪便已做出尝试,图为有着巴西血统的三都主(14号)与队友庆祝。 图片来源:Osports全体育图片社

日本足球成功崛起的历程中,归化球员发挥着重要作用,而这也是我们值得借鉴的现实案例之一。拉莫斯、三都主、田中斗笠王等等,这些名字老球迷或许已经耳熟能详了,而他们都是日本成功归化的巴西血统球员,其中,拉莫斯对日本足球发展更是起到了举足轻重的作用。不过,日本对归化球员的使用并不浮于表面,而是将归化与青训体系捆绑。

放眼国际足坛,在文化深度融合的欧洲,规划行为早已司空见惯,世界杯卫冕冠军法国便是其中的最佳典范。凭借吸收优秀足球人口,法国足球近年来重回巅峰,而夺冠阵容中的核心成员都值当打之年,未来若干年,他们现有的竞争力还将继续保持下去。

在遵守中国法律、按照相关规定办事的前提下借鉴足球先进国家的成功案例——中国足球如果有意归化球员,除此之外别无他途。相对欧洲国家“简单粗暴”的归化方式,日本曾经的尝试似乎更适合国足现状。毕竟球迷和足协都不愿意将国家队的未来全数交给“外援”决定。

归化球员成亚洲杯新“潮流” 中国足球何去何从?

资料图:世界杯卫冕冠军的归化之路并不适合中国足球。 中新社记者 富田 摄

归化一事得以纳入议事日程的话,从年龄分层、培养方式、如何反哺中国足球等等,统统需要足球主管部门充分考量。如果归化成熟球员,那便是“一锤子买卖”,未来的国足更像中超俱乐部,或许进入了依靠“外援”打天下的传统模式。归化年轻球员从小培养,若将他们置于国内足坛发展,必须警惕被大环境同化,而放在国外培养,又要把控“放任自流”的风险。(完)

  • 1
    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 生阶段,主要用于生潜在的目标候选框(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Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生的过程。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
图像识别技术在病虫害检测中的应用是一个快速发展的领域,它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组部分: 1. **数据收集**:首先需要收集大量的植物图像数据,这些数据包括健康植物的图像以及受不同病虫害影响的植物图像。 2. **图像预处理**:对收集到的图像进行处理,以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**:从图像中提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**:使用机器学习算法(如支持向量机、随机森林、卷积神经网络等)来训练模型。训练过程中,算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**:在独立的测试集上验证模型的性能,以确保其准确性和泛化能力。 6. **部署和应用**:将训练好的模型部署到实际的病虫害检测系统中,可以是移动应用、网页服务或集到智能农业设备中。 7. **实时监测**:在实际应用中,系统可以实时接收植物图像,并快速给出病虫害的检测结果。 8. **持续学习**:随着时间的推移,系统可以不断学习的病虫害样本,以提高其识别能力。 9. **用户界面**:为了方便用户使用,通常会有一个用户友好的界面,显示检测结果,并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害,甚至在早期阶段就能发现问题,从而及时采取措施。此外,它还可以减少对化学农药的依赖,支持可持续农业发展。随着技术的不断进步,图像识别在病虫害检测中的应用将越来越广泛。
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 生阶段,主要用于生潜在的目标候选框(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Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生的过程。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