1. 背景

各位老师好，我们在做一个视频周期动作计数问题。具体场景是：根据游泳视频，统计每个泳者在每一段里的划水次数。

我们有大量“手部出水”检测框、身体框、泳者方向、泳道、泳者身份等原始数据，并且有次数、每次划手开始结束时间的 Ground Truth ，我们的目标是：

从大量有噪声的检测框里，筛出真正对应划水动作的证据，并稳定得到正确的划水次数。

2. 挑战目标和奖金

我们提供原始数据。如果您能提供可复现的方法，在 leave-one-video-out 评估中达到明显提升，我们愿意提供奖金。

当前最好的 offline Baseline 大约是：

• MAE：3.31
• 误差不超过 ±1 次的比例：37.6%
• 误差不超过 ±2 次的比例：58.4%
• 最大单行误差：15

目标 A：奖金 1500 元

• MAE < 1.5
• 希望误差不超过 ±1 次的比例超过 60%
• 最大误差小于 5 （非必须）

目标 B：奖金 3000 元

• MAE < 1.0
• 误差不超过 ±1 次的比例超过 80%
• 最大误差小于 3 （非必须）

3. 数据说明

原始数据：

1. 每个手部检测框的时间戳
2. 手部框位置和大小
3. 身体框位置和大小
4. 手框与身体框的重叠比例
5. 手部中心点是否在身体框内
6. 手部相对身体前后方向的位置
7. 泳者方向
8. 泳道、split/趟、泳者身份
9. 当前系统的 L1 / L2 证据

Ground Truth：

1. 人工标注的每一次真实划水开始和结束时间
2. 每趟每人的划水总数

目前数据集中有 5 个视频、15 次运行、101 行有效评估数据。原始手部检测框约 13.8 万条，其中约 5.8 万条落在真实划水时间窗口里，约 8.0 万条在窗口外。数据、测试代码和说明文件：https://github.com/cbccbcc/external_clean_challenge_20260605

4. 我们目前的算法尝试：L1 / L2

L1 可以理解为对检测框的初步判断：

1. 找到手部出水检测框；
2. 判断手框是否和该泳者身体框有关；
3. 过滤明显像脚或小腿的误检；

L2 可以理解为在 L1 基础上，引入了序列维度，作为划手的依据：

1. L1 （经过验证的手在水上）可以看作 1 ，没有则为 0 ，那么一次划手应该是若干 0+若干 1+若干 0 的组合
2. L2 相较于 L1 数量会更少一些，但是准确率更高一些

我们并不需要局限于这种思路，可以直接从 L1/L2 甚至原始检测框中恢复/预测划手次数。

5. 我们所做的尝试

1. 纯 L1/L2 的估计误差大约在 6-7 ，远无法达到要求。L1 的时间证据比较干净：correctness 约 84.1%，但 true-stroke coverage 只有约 62.3%。核心问题是干净证据召回不够，高召回证据又太脏。
2. 我们尝试了多种方法的节奏恢复算法/差值算法，包括 RANSAC/PROSAC/HMM 等等，并且根据不同特征进行插值，但是结果不尽如人意。
3. 我们尝试了根据现有 L1/L2 的时间差，选取作为节奏的时间差，发现如果能够选取对的时间差，基于 oracle 可以达到 0.8 左右的 MAE ，但是问题在于我们无法从众多时间差中选择这个最佳时间差。

6. 评估规则

使用 leave-one-video-out：

1. 每次用四个视频开发或训练；
2. 剩下一个视频作为测试；
3. 五个视频轮流作为测试集；
4. 汇总五折结果。

要求同一套算法和参数选择流程必须能泛化到所有视频，不能针对单个视频人工调参。

7. 禁止使用的信息

人工标注可以用于训练、分析和调试，但最终算法不能把以下信息作为输入：

1. 当前行真实划水次数；
2. 当前行每一次真实划水的开始/结束时间；
3. 针对某个视频手工指定的规则；
4. 任何生产环境中不会提前知道的信息。

换句话说，temporal ground truth 可以帮助你设计方法，但不能直接喂给最终预测算法。

8. 关于时间对齐

我们发现算法证据整体加上一个小时间偏移后（+0.15s ），会和人工标注窗口更对齐。这个发现说明时间校准可能很重要。

但是最终奖励指标仍然以划水次数为主。我们不会单独因为时间对齐好就认定成功，但我们强烈建议关注时间对齐，因为稳定的时间证据通常更容易得到稳定的计数。

9. 关于交付

您只需要提供算法，初步远程确认没问题后可以咸鱼下单，支付后将算法细节发给我们进行验证，验证达到要求后确认收货。