王卓對京師大的這個專案還是比較感興趣的，不說課程表現在正在佈局線上直播教學，即便冇有，這類跟教育有直接關聯的專案，也是非常適合納入課程表生態的。
隨著現場評委們繼續提問，時間不知不覺已經來到了傍晚6點。
40多支參賽小組，即便每個小組隻有十幾分鐘的答辯演示，進行到現在也才覈驗完四分之一。
畢竟團體賽跟個人賽的區彆就在於提問的評委增多。
參賽團隊不僅要從技術特點答辯，還要從設計邏輯、商業落地性、法律法規的合規性等一係列商業角度進行一一解釋。
不光是內地賽區這樣，香江那邊的也是同樣的規則。
王卓除了上了幾次洗手間，剩餘時間在遇到天書般的專案時，就跟在香江坐鎮的蔣玉寧玩起了網聊。
“反正也聽不懂”
“如何應用你肯定是知道的，無非就是不適合課程表而已”
蔣玉寧回道。
“那倒也是，有一些是基站類的專案，估計是衝著華威去的，還有什麼油氣藏數值模擬實時求解與產能預測係統，這個彆說我了，就算是張明、李科也一頭霧水，最後還是交大這邊的評委進行點評的”
“哈哈”
“我這邊也有不少有意思的專案”
“什麼專案？”
王卓趕忙打字問道。
“有個口岸人臉覈驗與出入境客流實時管控係統，這個跟我們投資的那家人臉識彆公司的技術特點比較類似，但商用這塊可能還需要迭代，現場覈驗時，失靈時不靈”
“哈哈，還有呢？”
“還有一個颱風風暴潮實時模擬與沿海區域應急預警係統，這個完成度很高，香江天文台很看好，估計是想試試”
蔣玉寧的打字速度比較慢。
王卓等了十多分鐘才收到這條訊息。
收到這條訊息的時候，科大的張琪琪團隊登場了。
“請你用3句話講清楚，什麼是霍夫森林？它和傳統霍夫變換、隨機森林的核心區彆是什麼？”
李科對著登台的幾人笑著問道。
對於這套已經應用在球員模型上麵的《霍夫森林目標跟蹤係統》，他確實非常好奇，這幾個大四學生是怎麼想到通過這個來解決球員形變問題的。
張琪琪有些緊張的偷瞄了一眼評委席上的眾人，見王卓並不在評委席中，擔憂的心情略微有些放鬆，隨即輕咳了兩聲，開始作答。
“霍夫森林是融合了隨機森林分類能力與廣義霍夫變換投票機製的目標檢測跟蹤演演算法，在2009年被首次提出，核心是通過特征點對目標中心的投票實現目標定位”
“和傳統霍夫變換相比，它不需要手動設計目標的解析輪廓，通過機器學習自動學習目標的特征與投票偏移量，天然適配球員這類非剛性、形變嚴重的目標，抗遮擋能力提升一個量級”
“和傳統隨機森林相比，它的葉節點不僅輸出分類結果，還儲存了特征點到目標中心的偏移量與置信度，把分類和目標定位合二為一，一步完成檢測與跟蹤，無需額外的定位步驟”
李科聽到這個回答，嘴角含笑的繼續詢問了其技術特點。
“這個專案是CUDA程式設計大賽的參賽專案，請問核心計算流程裡，哪些環節必須用CUDA加速？為什麼CPU方案做不到？”
“我們的係統有四大核心環節，必須靠CUDA並行加速才能實現直播級實時處理，CPU方案完全無法滿足需求”
張琪琪組織好語言再次開始作答。
“第一，視訊幀預處理與特征提取環節：1080P視訊單幀有207萬畫素，CPU序列計算HOG（方向梯度直方圖）、LBP（區域性二值模式）特征需要120ms\\/幀，而CUDA可以把畫素級計算分配給上千個執行緒並行處理，耗時壓縮到8ms\\/幀，這是實時性的基礎”
“第二，霍夫森林推理與投票環節：這是係統最核心的耗時模組，單幀有上萬個特征點需要遍曆10棵決策樹、完成投票累加，CPU序列處理需要40ms\\/幀，CUDA並行化後僅需2ms\\/幀，速度提升20倍”
“第三，多目標ID關聯與軌跡預測環節：全場22名球員的卡爾曼濾波軌跡預測、資料關聯，CPU序列處理需要15ms\\/幀，CUDA並行化後僅需0.5ms\\/幀，實現多目標的同步跟蹤”
“第四，運動資料實時統計環節：球員跑動距離、速度、熱圖的實時計算，CPU序列處理需要10ms\\/幀，CUDA並行化後僅需0.3ms\\/幀，不影響主流程的實時性”
“綜上所述，CPU方案全流程單幀處理需要185ms，最快隻能做到5FPS（每秒幀數），完全無法滿足直播級30FPS的實時要求，隻有CUDA並行加速才能實現真正的實時跟蹤”
“足球場景裡最常見的就是球員密集遮擋、球衣顏色相近導致的ID切換，你們的係統是怎麼解決這個問題的？”
隨著回答問題的深入，科大團隊的自信心也越來越足了，要知道他們這套係統之所以會被課程表直接引用，主要原因就是他們解決了球場上球員跟蹤問題。
何彩娟清了清嗓，她是負責演演算法優化的。
“針對這兩個核心痛點，我們做了三項專屬的演演算法優化，把全場球員的ID跟丟率控製在了3%以內，遮擋30幀內的ID保持率100%”
“第一，多特征融合的霍夫森林模型：我們冇有隻用傳統的HOG輪廓特征，而是融合了球衣顏色直方圖特征、號碼區域的LBP紋理特征，讓模型不僅能識彆球員的人形輪廓，還能區分不同球員的球衣、號碼，哪怕球員擠在一起，也能通過專屬特征區分ID，不會出現ID混淆”
“第二，卡爾曼濾波軌跡預測機製：當球員被完全遮擋時，我們會用卡爾曼濾波基於球員之前的運動軌跡，預測他後續的位置、速度、運動方向，哪怕連續30幀完全看不到球員，也能保持ID不丟失，等球員重新出現時，立刻匹配上原來的ID，不會出現跟丟、ID切換的問題”
“第三，非極大值抑製與軌跡關聯優化：我們針對球員密集場景，優化了非極大值抑製演演算法，不會把相鄰的兩個球員合併成一個檢測框，同時用匈牙利演演算法做幀間軌跡關聯，確保每個球員的ID在整場比賽裡全程唯一，哪怕球員全場跑動、頻繁交叉，也不會出現ID錯亂”
“同時我們還利用了今年《長三角冠軍聯賽》的決賽視訊做了測試，90分鐘的比賽裡，22名球員的ID全程無錯亂，僅在球員完全離場時出現短暫丟失，重新入場後立刻恢複跟蹤，完全滿足賽事分析的需求”
隨著何彩娟的回答解釋，現場工作人員立即啟動了覈驗。
他們隨即輸入了一段半決賽的比賽視訊，然後啟動了這套跟蹤係統，隨著大螢幕上密密麻麻顯示出各類ID，答辯也進行到了商業化落地的探討。