混合比分计算{*}混合比分计算器

大家好，今天小编关注到一个比较有意思的话题，就是关于混合比分计算的问题，于是小编就整理了5个相关介绍混合比分计算的解答，让我们一起看看吧。

乒乓球混合双打是3局2胜吗？

乒乓球混合双打不是3局2胜，是7局4胜。

乒乓球混合双打与单打一样都是7局4胜制，在东京奥运会混合双打决赛中，中国队许昕/刘诗雯在大比分2比0情况下，被日本选手水谷隼/伊藤美诚采取搏杀战术，完成逆转，最后以3比4输掉比赛，获得银牌。

国际乒联混合团体世界杯是什么？

国际乒乓球联合会（ITTF）混合团体世界杯是一项乒乓球比赛，由国际乒乓球联合会主办。这项比赛是在男子乒乓球世界杯和女子乒乓球世界杯之外设立的，旨在促进男女混合团队比赛。混合团体世界杯的参赛国家队由两名男子选手和两名女子选手组成，其中每场比赛由一名男选手和一名女选手组成双打团队。比赛采用团队比分制，每场比赛都会进行五场单打和一场双打比赛，冠军由总分高的团队获得。这项比赛每两年举办一次，旨在提高比赛的观赏性和乒乓球在全球范围内的推广。

国际乒联混合团体世界杯是一项由国际乒乓球联合会（ITTF）主办的乒乓球比赛。该比赛首次于2019年在中国上海举办，是一项混合团体赛事，即男女选手混合组成的队伍参赛。比赛分为小组赛和淘汰赛两个阶段，每个队伍由三名选手组成。

混合团体世界杯是一项全新的比赛形式，旨在推动乒乓球运动的发展和创新。该比赛的规则和赛制与传统的团体赛有所不同，更具挑战性和观赏性，吸引了众多乒乓球爱好者的关注和参与。

1. 国际乒联混合团体世界杯是一项乒乓球比赛。
2. 这项比赛是由国际乒乓球联合会（ITTF）主办的，旨在促进乒乓球运动的发展和推广。
参赛队伍由男女选手组成，代表各个国家或地区参赛。
3. 混合团体世界杯的比赛形式是团体赛，每个队伍由男女选手组成，进行男子单打、女子单打和混合双打的比赛。
比赛采用轮换制度，每个队伍的选手轮流出场进行比赛，最终根据团队总分决出胜负。
这项比赛的举办不仅能够展示各国乒乓球运动的水平，还能够增进国际间的交流与合作。

812专业综合考试科目？

812考研是经济学综合。

812是代码，指考试的专业课科目名称，812是经济学综合。

经济学综合主要考西方经济学，包括政治经济学、微观经济学和宏观经济学。微观经济学包括的内容相当广泛，其中主要有均衡价格理论、消费者行为理论、生产者行为理论、分配理论、一般均衡理论与福利经济学、市场失灵与微观经济政策

金娜英和王曼昱交过手吗？

是的，金娜英和王曼昱确实交过手。在2023年成都国际乒联混合团体世界杯赛中，她们二人就有过一次精彩的对决。在这场备受瞩目的比赛中，王曼昱展现出了出色的实力，以3比0的比分战胜了金娜英。这场比赛的胜利不仅体现了王曼昱的高超技艺，也为中国乒乓球队赢得了荣誉。金娜英虽然未能获胜，但她的表现同样值得称赞，展现出了韩国乒乓球队的实力。这场交手成为了她们职业生涯中的一段重要经历，也让球迷们看到了乒乓球的魅力与激情。

有哪些优秀的Kaggle竞赛解决方案，可以分享吗？

地球上一些储藏了大量石油和天然气的区域，其地表下还有大量的沉积盐。但要准确找出哪些地方有大量沉积盐并非易事。专业的地震成像仍然需要对盐矿体进行专业的人工判断。这导致了非常主观、高度可变的渲染过程。此外，这对石油和天然气开采也造成了潜在的隐患。为了创建最准确的地震成像（seismic image）和 3D 渲染，TGS（世界领先的地理数据公司）希望 Kaggle 的机器学习社区能构建一种可以自动、准确识别一块次表层是不是盐体的算法。

这正是我们今天要介绍的 Kaggle 竞赛：TGS 盐体识别挑战赛，挑战者需要开发出能准确分割地表以下沉积盐分布的算法。简言之，这就是一个图像语义分割任务。本文介绍了获得该竞赛第一名的方案。

本项竞赛奖金丰厚，前四名总共可获得 10 万美元的奖励，而第一名将获得 5 万美元。

目前该竞赛的提交日期已经截止，该赛事共有 3291 个队伍参赛。以下是前十名的成绩排行：

赛题背景

地震数据是通过地震反射（reflection seismology）收集的，这种方法要求能量的受控震源（如压缩气体或地震振动器），以及记录来自地下岩石界面反射的传感器。之后处理记录的数据，创建地球内部的 3D 视图。地震反射类似于 X 光、声波定位仪和回波定位。

地震成像是通过将来自岩石边界的反射成像来生成的。地震成像展示了不同岩石类型之间的边界。理论上，反射的力量与岩石界面两侧的物理特性的差别成正比。地震成像展示了岩石边界，但它们并不能显示岩石的属性，一些岩石容易辨认，一些则很难。

世界上一些地区地下存在大量的盐。地震成像的一大挑战就是识别哪些地表下面有盐。盐很容易识别，也很难识别。盐的密度通常是 2.14 g/cc，比周围的岩石密度低。盐的地震波速是 4.5 km/sec，通常比周围的岩石速度快。这种区别就使得在盐岩-沉积层界面处反射的变化比较大。通常盐是非晶质岩石，没有太多内部结构。这意味着盐内部通常不会有太多反射，除非其中有沉积物。这种情况下盐的地震波速较高，使得地震成像出现问题。

数据

使用的数据是在次表层底部多个地点选取的一系列图片。图像的分辨率为 101 x 101，每个像素被分类为盐或沉积物。除了地震成像之外，还为每个图像提供成像位置的深度。比赛的目标是分割含盐区域。

训练数据集示例

评估

比赛根据 IoU 阈值上不同交叉点的平均精度来计算比分。提交的目标像素预测值和真实目标像素之间的 IoU 分数计算方式如下：

将一系列 IoU 阈值代入该公式，在每个点计算一个平均精度值。阈值的范围在 0.5 到 0.95 之间，步长为 0.05：(0.5, 0.55, 0.6, 0.65, 0.7, 0.75, 0.8, 0.85, 0.9, 0.95)。换句话说，在阈值为 0.5 时，如果预测目标与真实目标的交集大于 0.5，则该预测对象被视为「命中」。

在每个阈值 t 处，基于预测目标与所有真实目标对比所产生的真正类（TP）、假负类（FN）和假正类（FP）的数量来计算精度值：

当单个预测目标与真实目标匹配并且 IoU 高于阈值时，记为真正类。假正类表示预测目标没有与之关联的真实对象，假负类表示真实目标没有与之关联的预测目标。然后，将上述每个 IoU 阈值上精度值的平均值作为单个图像的平均精度值：

最后，竞赛的评估度量返回的分数是测试数据集中每个图像平均精度的平均值。

第一名方案

首先，我要祝贺并感谢我的队友 phalanx，他为此付出了很大的努力！这是我在图像分割领域处理的第一个问题，三个月前我对分割还一无所知。所以，这项第一是对我们所获知识和经验的巨大奖励。我想，这对新手来说也是一个很好的示例：只要你肯努力，即使没什么背景知识也能获得不错的成绩。

局部验证

我们创建了 5 个按深度分层的常见 fold。局部验证的分数与 LB 有很强的相关性。

第一阶段训练

我们每个人都基于训练数据开发了一个模型：

我的模型

• 输入：101→resize to 192→pad to 224

• 编码器：在 ImageNet 上预训练的 ResNeXt50

• 解码器：conv3x3+BN，上采样，scSE

训练概览：

优化器：RMSprop，批大小：24

1. 损失：BCE+Dice。从 0.0001 开始降低高原上的 LR

2. 损失：Lovasz。从 0.0005 开始降低高原上的 LR

3. 损失：Lovasz。4 个带有余弦退火 LR 的 snapshot，每个 snapshot 需要 80 个 epoch，LR 从 0.0001 开始

phalanx 的模型

编码器为 ResNet34（架构与下面描述的 resnet_34_pad_128 相似）

输入：101→ resize to 202→pad to 256

• 5-fold ResNeXt50 有 0.864Public LB（0.878 Private LB）

• 5-fold ResNet34 有 0.863Public LB（0.880 Private）

• 它们的整合分数为 0.867Public LB（0.885 Private）

第二阶段训练

基于第一阶段得到的整合分数，我们创造了一套置信假标签。置信度为置信像素预测的百分比（probability < 0.2 or probability> 0.8）

我们有两个模型：

1. 我的 ResNeXt50 在置信假标签上进行预训练；在它们上面训练了 5folds。0.871（0.890 Private）

2. phalanx 在每个 fold 中添加了 1580 个假标签，并从头开始训练模型。0.861（0.883 Private）

3. 它们的整合得分为 0.870（0.891 Private）

第三阶段训练

从第二阶段得到所有的假标签，phalanx 训练了 2 个模型：

resnet_34_pad_128

• 输入：101 -> pad to 128

• 编码器：ResNet34 + scSE (conv7x7 -> conv3x3，移除第一个最大池化)

• 中心模块：特征金字塔注意力模块 (移除 7x7)

• 解码器： conv3x3，转置卷积，scSE + hyper columns

• 损失：Lovasz

resnet_34_resize_128

• 输入： 101 -> resize to 128

• 编码器：ResNet34 + scSE（移除第一个最大池化）

• 中心模块：conv3x3, 全局卷积网络

• 解码器：全局注意力上采样（实施 like senet -> like scSE, conv3x3 -> GCN) + 深度监督

• 损失： 用于分类的 BCE 以及用于分割的 Lovasz

训练概览

优化器：SGD，批大小：32

1. 在假标签上进行预训练。3 个带有余弦退火 LR 的 snapshot，每个 snapshot 有 50 个 epoch，LR 0.01 → 0.001

2. 在训练数据上进行微调。5 folds、4 个带有余弦退火 LR 的 snapshot，每个 snapshot 有 50 个 epoch，LR 0.01 → 0.001

• resnet_34_pad_128 had 0.874 (0.895 Private)

• resnet_34_resize_128 had 0.872 (0.892 Private)

最终模型

最终模型是 ResNeXt50（来自第二阶段）和 resnet_34_pad_128（来自第三阶段）与水平翻转 TTA: 0.876Public LB（0.896 Private LB）的混合。

数据增强

我们用了非常相似的数据增强列表。我的数据增强基于强大的 albumentations 库：

• 水平翻转（p=0.5）

• 随机亮度（p=0.2,limit=0.2）

• 随机对比（p=0.1,limit=0.2）

• 平移 缩放 旋转（shift_limit=0.1625, scale_limit=0.6, rotate_limit=0, p=0.7）

后处理

我们开发了基于拼图镶嵌的后处理。理念如下：

1. 在训练数据中找到所有的垂直或半垂直（图像的下半部分是垂直的）图像；

2. 镶嵌中上述图像下方的所有测试图像都得到相同的掩码；

3. 它们上方只有一个测试图像获得相同的掩码，并且只有当其镶嵌深度> = 3 时。

GPU 资源

• 我只有一个 1080 的 GPU。

• phalanx 有一个 1080Ti，在上周的比赛中又拿到一个。

框架

• 我用的是 Keras。非常感谢 qubvel 在 Keras 中关于分割 zoo 的绝佳 repo。

• phalanx 用的是 PyTorch。

到此，以上就是小编对于混合比分计算的问题就介绍到这了，希望介绍关于混合比分计算的5点解答对大家有用。