《A类赛题手册》下载地址：https://www.fwwb.org.cn/news/show/598

1.命题方向

智能计算

2.题目类别

应用类

3.题目名称

基于复杂运动场景的篮球持球人身份重识别算法开发

4.背景说明

【整体背景】

随着体育短视频与“球秀”类篮球应用的风靡，自动化生成球员个人集锦已成为提升用户粘性的核心功能。在海量且碎片化的比赛视频中，如何精准地将特定球员从纷繁复杂的画面中“认出来”，是实现自动剪辑的关键。然而，体育场景（尤其是篮球）具有极高的人员密集度和对抗性，传统的人员重识别（ReID）技术面临巨大挑战。

【公司背景】

湖南球秀体育科技有限公司，由中南大学的计算机博士团队创立，致力于打造下一代AI体育产业平台。提供体育活动发起、参与、交易、记录、分享一站式服务。针对篮球场景推出「球秀」产品,通过AI视觉技术在运动场馆搭建智慧化系统,为用户提供运动精彩瞬间自动记录、运动数据、无人化赛事直播等智能服务。

【业务背景】

在真实的“球秀”业务场景中，算法面临三大核心痛点：

相似球衣区分： 场上队友穿着完全相同的球衣，仅靠颜色无法区分。算法必须具备细粒度特征提取能力，依赖球衣号码（常被手臂或球体遮挡）、体态、护具、发型及鞋履颜色来进行区分。

严重遮挡与姿态多变： 持球人是防守方的重点照顾对象，常处于多人包夹（重叠遮挡）状态；同时，运球、上篮、投篮等动作导致身体姿态发生剧烈形变，与常规站立姿态差异巨大。

环境干扰： 比赛数据涵盖室内木地板、室外塑胶场、夜间灯光、差异较大的背景或者杂乱无章的摆设等多种环境。持球人的移动速度通常最快，导致图像极易产生运动模糊，丢失纹理细节。

本赛题旨在征集高效、鲁棒的ReID算法，在不依赖连续轨迹追踪的前提下，仅凭外观特征在跨时刻的图像库中精准找回目标球员。

5. 项目说明

【问题说明】

参赛选手需开发一套针对篮球场景的细粒度身份重识别系统。给定一个持球的球员的裁剪图像（Query），在海量的候选图像库（Gallery）中检索出属于该球员的所有图像。

难点在于：Gallery中存在大量穿着相同球衣的队友（高相似度干扰项），且输入图像可能存在严重的运动模糊或部分遮挡。

【用户期望】

高精度识别： 在“同队队友”干扰下，仍能保持极高的首位命中率（Rank-1），有效区分“红队11号”与“红队12号”。

鲁棒性： 算法需对持球人的特定姿态（如低身运球、跳投）具有鲁棒性，能够通过姿态引导或局部特征对齐来提升识别率。

特征解耦： 模型应能学习到除球衣颜色之外的稳健特征（纹身、护膝、体型等），适应室内外不同光照条件。

6. 任务要求

【开发说明】

基于主办方提供的持球ReID数据集（已裁剪好的球员图像），设计深度学习模型提取球员特征。探索针对“细粒度分类”或“遮挡ReID”的改进算法。使用训练集训练模型，并在测试集上生成检索结果。已提供基于TransReID实现的Baseline：https://github.com/valorheart-20/TransReID

【技术要求与指标】

1. 输入输出： 输入一张Query图片，输出Gallery中相似度最高的K张图片ID。

2. 核心指标： 参考Baseline的核心指标及其结果：

评估指标	Baseline结果	赛题达标要求
mAP	91.1%	>=91.5%
Rank-1 Accuracy	93.6%	>=94%

3. 性能指标：单样本（图片）特征提取不超过40ms，单次query本地查询匹配时间不超过30ms; 参考环境：NVIDIA RTX 4090

【提交材料】

（1） 项目概要介绍；

（2） 项目简介PPT；

（3） 项目详细技术方案；

（4） 项目演示视频；

（5） 企业要求提交的材料：

① 项目简介PPT，包括：项目执行思路介绍；所使用的算法模型、优化（重点描述如何解决相似球衣和遮挡问题）；算法及模型的优劣势、技术指标达成情况介绍；

② 项目详细技术方案文档：详细描述算法实现的技术方案及原理；

③ 训练好的模型文件；

（6） 团队自愿提交的其他补充材料。

7. 参考信息

（1）开发工具：开发工具限定Pytorch，开发平台不限，可以借助开源的工具；

（2）数据接口：企业数据通过网盘提供。允许使用公开数据集进行训练，但最终模型必须在企业提供的测试数据集上进行测试，且必须在技术方案中说明外部数据来源。数据网盘链接：https://pan.baidu.com/s/1VlMJSKfvhsynJrrSuO9nqQ?pwd=rqjz

8. 评分要点

赛题评分要点见附件一：A类企业命题初赛统一评分标准。