悬赏3K解决游泳计数难题：GitHub开源数据集挑战噪声中的节奏恢复

针对游泳视频动作计数这一具体场景，发起方在 V2EX 社区发布了一项算法悬赏挑战，旨在利用众包力量解决长期存在的时序数据降噪问题。该任务的核心是从包含大量噪声的原始检测框数据中，准确筛选出真正对应划水动作的证据，从而稳定统计泳者的划水次数。目前项目团队已积累了包括手部出水检测框、身体框、泳者方向及身份等在内的约 13.8 万条原始数据，并完成了精细的人工标注（Ground Truth）。现阶段的主要技术瓶颈在于，单纯依赖 L1/L2 证据筛选或传统的 RANSAC、HMM 等算法，无法有效平衡数据中的高召回率与高准确率，导致当前 Baseline 的平均绝对误差（MAE）高达 3.31。挑战目标是将 MAE 降低至 1.5 以下（目标 A，奖金 1500 元）或 1.0 以下（目标 B，奖金 3000 元），并显著提升正负 1 次误差内的准确率。所有数据、测试代码及说明文件已托管至 GitHub，评估采用严格的 Leave-one-video-out 交叉验证模式，要求算法具备泛化能力，严禁针对特定视频人工调参或使用实时环境中不可预知的信息。此外，数据中还发现存在约 0.15 秒的系统时间偏移，提示时间校准可能是突破性能的关键点。

事件分析

💡 核心观点：众包开源模式直击AI落地痛点，解决真实场景中噪声数据的节奏恢复问题比模型架构更具工程挑战。