阿联酋亚洲杯 日本3:0击败伊朗 晋级决赛

阿联酋亚洲杯 日本3:0击败伊朗 晋级决赛

资料图:日本队庆祝进球。

中新社阿联酋艾因1月28日电 东亚独苗日本队在28日的半决赛上大放异彩,以三个进球击败夺冠大热伊朗队,历史上第五次挺进亚洲杯决赛。这是伊朗队在本届亚洲杯上首次丢球和首次失利,伊朗队保持了23年的亚洲杯常规时间不败纪录也就此终结。

本届亚洲杯开赛以来,尽管日本队接连获胜,但每场均一球小胜的表现并不为外界看好,而伊朗队则一路高歌,不仅五战全胜还从未失球,亚洲第一的排名也使得伊朗队成为本届亚洲杯夺冠的最大热门。

然而比赛开始后,日本队凭借积极的攻势不断制造险情。第12分钟长友佑都左路传中,门前包抄的南野拓实抢点打门,但在卡纳尼的干扰下将球踢偏;第17分钟日本获得角球,柴崎岳将皮球主罚到禁区内,吉田麻也抢点跃起甩头攻门,但将皮球稍稍顶高。

伊朗队也有几次威胁性射门。第22分钟,阿兹蒙禁区左侧得球后晃过两人,随后射门被门将挡出底线;第28分钟,哈伊萨菲后场长传,阿兹蒙险些形成单刀,球被吉田麻也破坏出底线。直至上半场结束,双方均未获得很好的得分机会。

戏剧性的一幕发生在第55分钟。南野拓实在同卡纳尼争抢时倒在禁区线外,卡纳尼和另外四名伊朗队员没有去将球解围,而是和主裁判辩解,认为南野拓实有假摔嫌疑,南野拓实快速爬起来将球传中,大迫勇也门前包抄头球破门,日本队抓住了这一机会终于打破僵局。

不到十分钟的时间内日本队再进一球。第63分钟,日本队在抢断后迅速反击,南野拓实左路传中,打在了铲球封堵的普拉利甘吉的手臂上,主裁判经过VAR回放后确认判罚点球。第66分钟,大迫勇也主罚点球骗过门将,日本队以2:0扩大领先优势。

被对手攻入两球的伊朗队情绪失控,甚至一度与日本队员发生争执。放松心态的日本队在伤停补时阶段再进一球,原口元气抓住伊朗队后卫失误成功破门,帮助日本队以3:0锁定胜局。

值得一提的是,日本队在此前四次晋级决赛后均取得了最终的冠军。本届亚洲杯另一场半决赛将于29日在东道主阿联酋和卡塔尔之间展开,胜者将与日本会师在2月1日的决赛。(完)

  • 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