⑴ Temporal Relational Reasoning in Videos（視頻中的時序推理）
本文的原作者為MIT的Bolei Zhou等人 原文地址
譯文：lowkeybin
時序推理是智能物種的基本能力，即隨著時間的推移將目標或實體有意義的轉換聯系起來的能力。在本文中，我們將介紹一種有效且能解釋的網路模型--時序網路（the Temporal Relation Network（TRN）），該模型能學習並推斷視頻中多尺度上幀的時序依賴問題。我們在最近三個基本需要依賴時序推理的數據集Something-Something、Jester和Charades上作行為識別來評估TRN網路。我們的結果表面，提出的TRN網路使卷積神經網路具有了出色的發現視頻中時序關系的能力。僅通過對視頻幀稀疏采樣，配備了TRN的網路在Something-Something數據集上能准確的預測人類與目標的交互並在Jester數據集上識別不同的人體姿態有著相當競爭力的表現。配備TRN的網路在Charades數據集上識別常規行為也優於雙流網路和3D卷積網路。進一步分析表明，模型在視頻中學習到了直觀且可解釋的通用的視覺感知知識。
推理隨時間推移實體之間的關系的能力對於智能決策至關重要。時序推理使智能物種能夠根據相對於過去的現在的情況來分析並推斷出接下來接下來可能發生的事。比如（圖1），給定一個時間的兩個觀察結果，人們能容易的識別出視覺世界中的兩個狀態之間的時序關系並推斷出一個視頻中兩幀之間發什麼了什麼。
時序推理對行為識別至關重要，形成了一個時間步驟的組成部分。一個單一的行為可以包括多種時序關系包括長時間尺度和短時間尺度關系。例如短跑這個行為，包含在起跑架上蹲著、在跑道上賓士和在終點線撞線這樣的長時間尺度關系，也包含手腳周期性揮舞的這種短時間尺度關系。
視頻中的行為識別是計算機視覺的核心主題之一。然而，由於適當的時間尺度[1]上描述的行為的模糊性，它仍然很難。很多視頻數據集，比如UCF101[2]、Sport1M[3]和THUMOS[4],這些數據集中包含很多不需要對長期時間關系的推理也能被識別的行為：靜止幀和光流法足以識別這些帶有標簽的行為。實際上，經典的雙流卷積神經網路[5]和最近被提出的I3D網路[6]都是基於幀和光流法的，它們在這些數據集上的行為識別性能都很好。
然而，卷積神經網路在數據和觀測結果都有限或者說根本的結構是以變換和時間關系為特徵而不是以某個實體[7,8]的出現為特徵的情況下會表現很差。卷積神經網路推理時序關系且預測觀測結果發生了什麼變化仍然是巨大的挑戰。圖1所示的這些例子。隨著時間的推移，網路需要發掘通用的視覺感知知識，這超過了使用靜態幀方法和流光法在目標的外觀中所能發掘的。
在這項工作中，我們提出了一個簡單且可解釋的網路模型--時序網路（Temporal Relation Network（TRN）），它支持神經網路中的時序推理。該模型的靈感來自於[7]中提出的關系網路，但是TRN不是對空間進行建模，TRN的目標是描述視頻中觀測結果的時序關系。因此，TRN能學習和發發掘多時間尺度上的可能的時序關系。TRN是一個通用且可擴展的模型，它可以與現有的任何CNN架構一起以即插即用的方式使用。我們應用TRN裝配的網路在最近的三個數據集上（Something-Something[9]、Jester[10]和Charades[11]）來識別不同類型的行為，例如人與物體的交互和手勢，但這些都是基於時序推理。裝配TRN的網路對即使是離散的RGB幀也有很具有競爭力的預測結果，帶來了超過基線的顯著改進。因此，TRN為卷積神經網路提供的實用解決方案解決了實用時序推理的行為識別任務。
視頻行為識別是計算機視覺的一個核心問題，隨著對圖像識別任務有著最優異性能的深度卷積神經網路（CNNs）的崛起，很多工作針對行為識別已經設計了有效的深度卷積神經網路[3,5,6,14,15,16]。例如，在Sport1M數據集[3]上探索了在時間維度上融合RGB幀的各種方法。提出了兩個流的CNN，其中一個靜態圖像流和另一個光流被提出來融合物體外觀和短期運動信息[5]。3D卷積神經網路[15]實用3D卷積核從稠密的RGB幀序列中提取特徵。時間段網路在不同時間段上采樣幀和光流以提取行為識別特徵[16]。CNN+LSTM的模型實用CNN網路來提取幀的特徵並實用LSTM網路來整合隨時間推移的特徵，也用於識別視頻中的活動[14]。最近，I3D網路[6]在兩個流的CNN網路並在稠密的RGB和光流序列上採用3D卷積，它在Kinetics數據集上有最優異的性能[17]。現有CNN網路用於行為識別存在幾個重要的問題：1）依賴與光流的預先提取降低了識別系統的效率；2）鑒於連續幀中的冗餘，密集幀的序列使用3D卷積在計算上使昂貴的；3）因為輸入網路的序列幀通常限制為20到30幀之間，所以網路很難在這些幀中學習到長期的時序關系。為了解決這些問題，提出的時序網路稀疏的對幀進行采樣，然後學習它們的因果關系，這比密集采樣並對其進行卷積更有效。我們表明配備TRN的網路可以在多個時間尺度上有效的捕捉時序關系，並且對視頻幀進行稀疏采樣的方法由於密集采樣的方法。
對於許多現存視頻數據集的行為識別來說（如UCF01[2],Sport1M[3],THUMOS[4]和Kinetics[17]），靜態幀的外觀和短時間動作（如光流）是識別動作最重要的信息。因此，諸如雙流網路[5]和I3D網路[6]的活動識別網路被定製以捕獲密集幀的這些短期動態。因此，現有網路不需要建立時間關系推理能力。另一方面，最近通過眾包收集了各種視頻數據集，這些數據集側重於順序活動識別：Something-Something數據集[9]被收集用於通用人 - 對象交互。它有視頻課程，如「將東西放入某物」，「推送某物」，甚至「假裝打開某物而不實際打開它」。 Jester數據集[10]是另一個最近用於手勢識別的視頻數據集。視頻由眾包工作者錄制，執行27種手勢，如「向上翻閱」，「向左滑動」和「逆時針轉動手」。 Charades數據集也是一個高級人類活動數據集，通過要求群眾工作人員執行一系列家庭活動然後記錄自己來收集視頻[11]。為了識別這三個數據集中的復雜活動，將時間關系推理整合到網路中至關重要。此外，許多以前的作品使用詞袋，運動原子或動作語法模擬視頻的時間結構，以進行動作識別和檢測[18,19,20,21,22]。我們不是手動設計時間結構，而是使用更通用的結構來學習端到端訓練中的時間關系。關於在視頻中建立因果關系的一項相關工作是[23]。 [23]使用雙流暹羅網路來學習兩幀之間的變換矩陣，然後使用強力搜索來推斷動作類別。因此計算成本很高。我們的TRN更有效地集成了培訓和測試中的多幀信息。
關系推理與直覺物理。最近，關系推理模塊已被提出用於具有超人性能的視覺問答[7]。我們的工作受到這項工作的啟發，但我們專注於對視頻中的多尺度時間關系進行建模。在機器人自我監督學習領域，已經提出了許多模型來學習幀之間的直觀物理學。給定初始狀態和目標狀態，使用具有強化學習的逆動力學模型來推斷對象狀態之間的轉換[24]。物理相互作用和觀察也用於訓練深度神經網路[25]。時間對比網路用於從第三人視頻觀察中自我監督模仿對象操作[26]。我們的工作旨在通過監督學習環境學習視頻中的各種時間關系。所提出的TRN可以擴展到用於機器人對象操縱的自我監督學習。
在本節中，我們將介紹時態關系網路的框架。 它很簡單，可以很容易地插入到任何現有的卷積神經網路架構中，以實現時間關系推理。 在後面的實驗中，我們展示了配備TRN的網路發現可解釋的視覺常識知識，以識別視頻中的活動。
受視覺問答[7]的關系推理模型的啟發，我們將下面的復合函數定義為成對的時序關系：
其中，輸入為視頻V中被選取的有序視頻幀記作V={f1,f2,f3,...,fn},其中fi代表視頻中的第i幀的表示，比如說某個標准CNN的輸出。函數h和g融合了不同有序幀的特徵。這里我們簡單地使用分別具有參數φ和θ的多層感知機（MLP）。為了高效的計算，我們沒有添加所有組合對，而是統一對幀i和j進行采樣並對每對進行排序。
我們進一步將2幀時間關系的復合函數擴展到更高的幀關系，例如下面的3幀關系函數：
其中幀數總和超過已經統一采樣和排序的幀i，j，k的集合。
為了捕捉多時間尺度上的時序關系，我們使用下面的復合函數來累計不同尺度上的幀關系：
每個關系項Td捕獲d個有序幀之間的時序關系。每個Td都有自己獨立的函數h和g。請注意，對於每個Td的任何給定d幀樣本，所有時序關系函數都是端到端的可區分的，因此它們都可以與用於提取每個視頻幀特徵的CNN一起訓練。整個網路框架如圖2所示。
當我們訓練一個多尺度時序網路時，我們可以通過為視頻的每個Td項選擇不同的d幀來對總和進行采樣。然而，我們使用了一種能顯著減小計算量的采樣方案。首先，我們從視頻的N個片段中均勻的采樣一組N幀，V N⊂V，並使用V N來計算TN(V)。然後，對於每個d<N，我們選擇d幀的k個隨機下采樣V kd⊂V N。這些被用於計算每個Td(V)的d幀關系。這允許僅在N幀上運行CNN的同時對KN個時序關系進行采樣，且所有部分時端到端一起訓練的。
在測試時，我們可以將配備TRN的網路與隊列相結合，以非常有效地處理流視頻。隊列用於緩存從視頻采樣的等長幀的提取的CNN特徵，然後將這些特徵進一步組合成不同的關系元組，其進一步相加以預測活動。 CNN特徵僅從關鍵幀中提取一次然後排隊，因此配備TRN的網路能夠在桌面上實時運行以處理來自網路攝像頭的流式視頻。
我們在各種行為識別任務上評估配備TRN的網路。對於識別依賴於時間關系推理的行為，配備TRN的網路大幅度的優於沒有配備TRN的基準網路。我們在用於人類交互識別的Something-Something數據集[9]和用於手勢識別的Jester數據集上獲得了極具競爭力的結果[10]。配備TRN的網路還在Charades數據集[11]中獲得了活動分類的競爭結果，優於僅使用稀疏采樣的RGB幀的Flow + RGB集合模型[27,11]。
三個數據集的統計：Something-Something數據集（Something-V1 [9]和Something-V2 [28]的統計數據，其中Something-V2是2018年7月初數據集的第二個版本）[9,28]，Jester數據集[10]和Charades數據集[11]在表1中列出。所有三個數據集都是來自網路標注(crowd-sourced)的，其中通過要求來自網路標注(crowd-sourced)的工作者記錄自己執行指示行為來收集視頻。與UCF101和Kinetics中的Youtube-type視頻不同，來自網路標注視頻(crowd-sourced)中的每個行為通常都有明確的開始和結束，強調時間關系推理的重要性。
用於提取圖像特徵的網路在視覺識別任務中起著重要作用[29]。來自ResNet [30]等更深層網路的功能通常表現更好。我們的目標是評估TRN模塊在視頻中進行時間關系推理的有效性。因此，我們在所有實驗中將基礎網路架構固定為相同，並比較CNN模型在有和沒有被提出的的TRN模塊的情況下的性能。
我們採用了在[31]中使用的ImageNet上預先進行的批量標准化（BN-Inception）的初始化，因為它在准確性和效率之間取得了平衡。我們遵循部分BN的訓練策略（凍結除第一個之外的所有批量標准化層）和在[16]中使用的全局池之後的退出。對於所有三個數據集上的訓練模型，我們保持MultiScale TRN模塊的網路架構和訓練超參數相同。我們在實驗中將k = 3設置為每個關系模塊中累積關系三元組的數量。 gφ只是一個雙層MLP，每層256個單位，而hφ是一個單層MLP，單位數與類號相匹配。給定幀的CNN特徵是來自BN-Inception的全局平均合並層（在最終分類層之前）的激活。鑒於BN-Inception作為基礎CNN，在單個Nvidia Titan Xp GPU上的100個訓練時期內，訓練可以在不到24小時內完成。在多尺度TRN中，我們包括從2幀TRN到8幀TRN的所有TRN模塊（因此在方程式3中N = 8），因為包括更高幀的TRN帶來了少量的改進並降低了效率。
Something-Something是最近用於人 - 對象交互識別的視頻數據集。有174個類，一些模糊的活動類別具有挑戰性，例如「把某個東西撕成兩半」與「把某個東西撕一點」，「將某些內容顛倒過來」與「假裝顛倒過來」。我們可以看到，對象的時間關系和變換而不是對象的外觀表徵了數據集中的活動。
表2a中列出了Something-V1和Something-V2數據集的驗證集和測試集的結果。基線是在從每個視頻中隨機選擇的單幀上訓練的基礎網路。具有TRN的網路大幅超越單幀基線。我們通過簡單地對來自任何給定視頻的兩個流的預測概率進行平均來構建雙流TRN。 雙流TRN進一步將Something-v1和Something-v2的驗證集的准確度分別提高到42.01％和55.52％。注意，我們發現TSN中使用的對幀進行平均池化的光流[16]獲得了比提出的時間關系池化更好的得分，因此我們在光流量流上使用8幀TSN，得到31.63％和46.41％分別在Something-V1和Something-V2的驗證集上。我們在測試集上進一步提交MultiScale TRN和2流TRN預測，結果如表2.a所示。
我們將TRN與TSN [16]進行比較，以驗證時間順序的重要性。 TSN不是連接時間幀的特徵，而是簡單地平均深度特徵，以便模型僅捕獲特徵中的模式的共現而不是時間排序。我們保持所有訓練條件相同，並改變兩個模型使用的幀數。如表2b所示，我們的模型大大超過了TSN。該結果顯示了幀順序對時間關系推理的重要性。我們還看到該關系中包含的其他框架為TRN帶來了進一步的顯著改進。
我們進一步評估Jester數據集上配備TRN的網路，Jester是一個用於手勢識別的具有27個類的視頻數據集。表3a中列出了Jester數據集驗證集的結果。 表3b中列出了測試集的結果以及與頂部方法的比較。 MultiScale TRN再次實現了競爭性能，Top1精度接近95％。
我們在最近的Charades數據集上評估MultiScale TRN以進行日常行為識別。結果列於表4.我們的方法優於各種方法，如雙流網路和C3D [11]，以及最近的非同步時域（TempField）方法[27]。
三個數據集上的多尺度TRN的定性預測結果如圖3所示。圖3中的示例表明，TRN模型是因為有為了成功預測所必須的整體時序序列幀，才有正確的識別動作的能力。例如，逆時針轉動類別在反向顯示時將採用不同的類別標簽。此外，成功預測個體假裝執行動作的類別（例如，「假裝將東西放入某物」，如第二行所示）表明網路可以捕捉多個尺度的時間關系，其中短段中包含的幾個較低級別的動作傳達了關於整個活動類的關鍵語義信息。
這一出色的表現證明了TRN對時間關系推理的有效性及其在不同數據集中的強大泛化能力。
與先前的視頻分類網路（如C3D [15]和I3D [6]）相比，所提出的TRN的一個獨特屬性是TRN具有更多可解釋的結構。 在本節中，我們將通過解決這些時間推理任務來更深入地分析TRN所學習的視覺通用知識。 我們探討以下四個部分：
直覺上，一個人類觀察者能通過選取一小組視頻代表幀來捕捉一個行為的本質。那麼對於被訓練用於識別行為的模型是否也適用呢？為了獲得每個TRN的代表幀序列，我們首先從視頻計算等距幀的特徵，然後隨機組合它們以生成不同的幀關系元組並將它們傳遞到TRN中。最後我們用不同TRN的響應對關系元組進行排名。圖4顯示了由不同TRN投票產生的頂級代表幀來識別同一視頻中的一個行為。我們可以看到TRN學習了表徵行為的時序關系。對於相對簡單的操作，單幀足以在正確的操作中建立一定程度的置信度，但在存在轉換時容易出錯。 2幀TRN選取最能描述變換的兩幀。同時，對於更加困難的活動類別，例如「假裝戳東西」，兩幀不足以讓人類觀察者區分。類似地，網路需要TRN中的附加幀以正確識別行為。
因此，代表幀的進展及其相應的類別預測告訴我們時間關系如何幫助模型推理更復雜的行為。一個特別的例子是圖4中的最後一個視頻：單個框架給出的動作上下文 - 一個靠近書的手 - 足以將頂部預測縮小到一個定性合理的動作，展開一些東西。類似的兩幀關系略微增加了初始預測的概率，盡管這兩個幀對於甚至人類觀察者來說都不足以做出正確的預測。現在，三個相關關系開始突出顯示Something-Somethings假裝類別的模式特徵：初始幀非常類似於某個動作，但後面的幀與該動作的完成不一致，就像它從未發生過一樣。這種關系有助於模型將其預測調整到正確的類。最後，個人手在4幀關系的第三幀中的向上運動進一步增加了場景的預期和觀察到的最終狀態之間的不一致;類似於動作的動作似乎發生而對對象沒有影響，因此，鞏固了對正確的類預測的信心。
觀察到TRN識別的代表幀在一個動作類別的不同實例之間是一致的，這表明TRN非常適合於需要時間上將視頻彼此對齊的任務。在這里，我們希望通過建立幀序列之間的對應關系來同步多個視頻中的動作。給定相同動作的幾個視頻實例，我們首先為每個視頻選擇最具代表性的幀，並使用它們的幀索引作為「地標」，時間錨點。然後，我們改變兩個連續錨點之間的視頻片段的幀速率，使得所有單個視頻同時到達錨點。圖5顯示了對齊視頻的樣本。我們可以看到時間關系捕獲了動作的不同階段。時間對齊也是我們的TRN模型的獨家應用，這是以前的視頻網路3D卷積網路或雙流網路無法完成的。
為了驗證幀的時間順序對於行為識別的重要性，我們進行了一個實驗，以便在訓練TRN時按時間順序和隨機順序比較場景和輸入幀，如圖6a所示。為了訓練混洗的TRN，我們隨機地改變關系模塊中的幀。 在Something-Something數據集的顯著差異顯示了時間順序在行為識別中的重要性。更有趣的是，我們在UCF101數據集[2]上重復相同的實驗，並觀察到有序幀和混洗幀之間沒有區別。這表明UCF101中Youtube類型視頻的活動識別不一定需要時間推理能力，因為沒有那麼多偶然關系與已經在進行的活動相關聯。
為了進一步研究時間排序如何影響TRN中的活動識別，我們檢查並繪制了顯示在Something-Something數據集中繪制的有序和混洗輸入之間類別准確度差異最大的類別，如圖6b所示。一般而言，具有強烈「方向性和大型單向運動的行為，例如」向下移動「，似乎從保留正確的時間順序中獲益最多。這一觀察結果與連續運動的破壞和改變視頻幀的潛在後果的觀點一致，可能會使人類觀察者感到困惑，因為這會違背我們直觀的物理概念。
有趣的是，如果在某些情況下完全受到懲罰，那麼對於相對靜態動作的混亂幀的懲罰就不那麼嚴重了，其中幾個類別略微受益於改組輸入，正如「推不能滾動到傾斜表面的東西」所觀察到的那樣留在原處。這里，簡單地學習幀的重合而不是時間變換可能足以使模型區分相似的活動並進行正確的預測。特別是在具有挑戰性的模糊情況下，例如「假裝扔東西」，其中釋放點部分或完全模糊不清，破壞強烈的「運動感」可能會使模型預測偏離可能的替代方案，「拋出某些東西」，經常但是由有序模型錯誤地選擇，從而導致該動作的准確性的奇怪差異。
TSN和TRN之間的區別在於使用不同的幀特徵池化策略，其中使用時間關系（TR）池化的TRN強調捕獲幀的時間依賴性，而TSN僅使用平均池化來忽略時間順序。我們詳細評估了兩個池化策略，如表5所示。使用平均池化和TR池化的性能差異實際上反映了視頻數據集中時間順序的重要性。測試數據集按視頻源分類，前三個是Youtube視頻，另外三個是來自AMT的網路標注視頻。基礎CNN是BNInception。兩種模型都使用8幀。有趣的是，具有平均池化和TR池化的模型在Youtube視頻上實現了類似的准確性，因此識別Youtube視頻不需要太多的時間順序推理，這可能是由於隨機剪裁的Youtube視頻中的活動通常沒有明確的行動開始或結束。另一方面，網路標注視頻只有一個具有明顯開始和結束的行為，因此時間關系池化帶來了顯著的改善。
圖7顯示了用於嵌入來自單幀基線，3幀TRN和5幀TRN的高級特徵對驗證集中15個最頻繁行為視頻的t-SNE可視化。 我們可以看到，2幀和5幀TRN的特徵可以更好地區分活動類別。 我們還觀察了可視化圖中類別之間的相似性。 例如，「將某些東西分成兩部分」非常類似於「稍微撕掉一些東西」，類別「折疊某物」，「展開某物」，「拿著東西」，「拿東西超過某物」聚集在一起。
在行為發生或完全發生之前盡早識別行為或甚至預測和預測行為是行為識別中具有挑戰性但未被探索的問題。在這里，我們評估我們的TRN模型在提前識別行為時，僅給出每個驗證視頻中的前25％和50％的幀。結果顯示在表6中。為了比較，我們還包括單幀基線，其被訓練在來自視頻的隨機采樣的單個幀上。我們看到TRN可以使用學習到的時序關系來預測行為。隨著接收到更多有序幀，性能會提高。圖8顯示了僅使用視頻的前25％和50％幀預測活動的一些示例。對這些例子的定性評估表明，盡管給予即使對於人類觀察者來說也具有高度不確定性的任務，僅對初始幀進行的模型預測確實可以作為非常合理的預測。
我們提出了一個簡單且可解釋的網路模型（名叫時序關系網路（TRN））能對視頻使用神經網路進行時序關系推理。我們使用最近幾個數據集來評估提出的TRN並公布了僅使用離散幀的完整結果。最後，我們展示了TRN模型發現的視頻中的通用視覺感知知識。
⑵ 視頻平台直播大結局收費是否合理你願意付費嗎
平時上班、上學放鬆的時候，會選擇去看長視頻嗎？願意為優質內容買單嗎？接受「付費直播大結局」嗎？
長視頻（一般指超過半個小時的視頻，以影視劇為主）區別於此前國內眾多視頻分享網站主打的短視頻，與後者多由用戶自己製作不同，長視頻主要由專業公司完成製作。
70%以上用戶願意為優質內容買單，1—3個月成為最受用戶歡迎的購買周期；在提前告知用戶規則的前提下，59.14%的用戶希望平台能夠分層級付費，消費需求呈現細分趨勢；有近60%的用戶表示願意為直播、番外、彩蛋等自己喜愛的IP衍生內容付費。
消費者每年在長視頻平台可接受的付費金額中，接受付費金額在50元以內的佔比26.88%，付費50—100元區間的佔比34.41%，27.96%的用戶接受付費100—200元，10.75%的用戶接受付費金額在200元以上。
而很多消費者購買長視頻會員是基於自己追劇或綜藝等，這些作品播出周期一般為1—3個月不等。
所以調查顯示，購買1—3個月時長會員最多，佔比30.11%；購買半年以上和1年以上會員各占兩成以上，另有兩成用戶未購買長視頻平台會員。
超前點播模式是視頻網站推出的一項增值服務，在會員的基礎上再付費，可以提前解鎖劇集內容 。但是此前，因「超前點播」引發爭議，多家平台取消了這一模式。 為了更好地滿足用戶需求，平台也進一步優化其相關規則。
23.64%的用戶不接受「付費直播大結局」；七成以上用戶在有條件的前提下願意接受，具體來看，佔比30.11%、22.58%、23.67%的用戶分別在「有自己喜愛的優質內容」「提前了解用戶規則」「未傷害自己會員權益」的情況下願意接受「付費直播大結局」。
59.14%的用戶希望可以分層級付費，但要提前告知用戶規則；32.26%的用戶更傾向於只有一種會員的方式；另有8.6%的用戶抱著無所謂的態度，認為「平台說了算」。
⑶ 三人籃球規則.（標准）
籃球規則--三人制籃球比賽規則
*籃球"三對三"競賽規則*
除下列特殊情況外，比賽均按照最新國際籃球規則執行。
一、場地和器材
第一條
1-1 場地：半個標準的籃球場地（14×15米）或按照半場比例適當縮小（長度減少1米，寬度減少2米），地面堅實、平整。
1-2 球籃：距地面3.05米的球籃提供給男女成年組和男子初中（含初中）以上青年組，距地面2.8米的球籃提供給男子小學組、女子初中和小學組。
1-3 球： 男女成年組和男女初中（含初中）以上青年組可使用圓周在75~78厘米、質量在567~650克的球；男女小學組可使用圓周在68~72厘米，質量在450~500克的球。
二、工作人員及其職責
第二條
2-1 裁判人員：設1~2名裁判員和1名記錄員。
2-2 服裝：裁判員與記錄員要著裝一致，但其顏色、款式應區別於運動員。
2-3 權利：比賽設1名裁判員時，他是比賽中唯一的執法宣判人員
比賽設2名裁判員（主裁判員和副裁判員）時，兩名裁判員對場上違反規則的行為都有權作出宣判，如發生矛盾，主裁判員是終決人員，並負責在記錄表上簽字。副裁判員兼管記20秒違例。
2-4 記錄員職責：記錄員兼管計時、記分。記錄兩隊累積的分數（包括投籃和罰球的得分）、全隊及個人犯規次數、以及比賽時間並按照規則要求宣布比賽進行的時間和比分。
三、規則
第三條
3-1 運動員人數：比賽雙方可報名4~5人，上場隊員為三人。
3-2 比賽時間：
3-2-1 初賽、復賽不分上下半時，全場比賽時間為10分鍾（組織者可根據參賽隊數多少修訂時間為12或15分鍾）。比賽進行到5分鍾和9分鍾時，，記錄員各宣布一次時間。如果只有10分鍾比賽時間，則雙方隊都不得暫停（遇有隊員受傷，裁判員有權暫停比賽1分鍾）。如比賽安排為12或15分鍾，則分別允許請求一次或兩次暫停，每次暫停時間為30秒。
3-2-2 決賽分上下兩個半時，每半時8分鍾，上半時與下半時之間休息3分鍾。
3-2-3 比賽中除在罰球、暫停、球員受傷及比賽結束等情況下停止計時表外，其餘情況均不停表。
第四條
4-1 比賽開始：雙方以擲硬幣的形式決定發球權，然後在發球區擲界外球開始比賽。
決賽階段，上半時獲發球權的隊，下半時不再獲發球權，由對方隊在發球區擲界外球開始比賽。
4-2 發球區：中圈不在場地中的半圓叫做發球區，發球區的地面（包括線）算界外。
4-3 發球：在發球區擲界外球算做發球。
第五條
5-1 攻守轉換：
5-1-1 每次投籃命中後，都由對方發球。
5-1-2 所有交換發球權的情況（如違例、界外球及投籃命中後），均為死球，在發球區擲界外球繼續比賽。
所有不交換發球權的情況（如不執行罰球的犯規），則在就近的三分線外發球。在這種情況下，發球前，必須由裁判員遞交球。
5-1-3 守方隊員斷球或搶到籃板球後，必須將球運（傳）出三分線外（持球隊員必須雙腳踏在三分線外），才可以組織進攻，否則判進攻違例。
5-1-4 爭球時，在罰球圈跳球，任何一方得球都必須將球運（傳）出三分線（持球隊員必須雙腳踏在三分線外），才可以組織進攻，否則判進攻違例。跳球中得意外投中無效，重新跳球。
凡因涉及5-1-3和5-1-4中出現的違例，裁判員的手勢為：兩手前臂交叉於臉前，以示違例，交換發球權。（這個手勢跟換人手勢一樣，我的繪畫技術不行，就不畫了，原文有這個手勢的圖示。HKMJ注）。
第六條
6-1 20秒規則：24秒規則改為20秒
6-2 犯規法則：
6-2-1 比賽中，每個隊員允許三次犯規，第四次犯規罰出場。
6-2-2 任何隊員被判取消比賽資格的犯規，則取消該隊比賽資格。
6-2-3 每個隊累記犯規達5次後，該隊的第六次以後的侵人犯規由對方執行2次罰球。前5次犯規中，凡對正在做投籃動作的隊員犯規：如投中，記錄得分、對方個人和全隊犯規次數，不追加罰球，由守方發球繼續比賽；如投籃不中，則判給攻方被侵犯的隊員1次罰球，如罰中得1分，並由攻方繼續擲界外球，如罰不中，仍由攻方擲界外球。
6-2-4 在使用小籃架的比賽中，不允許隊員出現扣籃動作，也不允許隊員將身體的任何部位懸掛於籃圈或籃架上，否則，可被判罰離場並不能再被替換上場，且該隊失去球權。
第七條
7-1 替換：只能在比賽計時鍾停止的情況下替換，被換下的隊員不能再被替換上場（場上隊員不足3人時除外）。
第八條
8-1 得分相等和決勝期：
比賽時間終了，以得分多者為勝方。初賽及復賽階段，比賽時間終了，如得分相等，執行一對一依次罰球，只要出現某隊領先1分即為勝方，比賽結束。
在決賽階段，比賽時間終了，如得分相等，則增加3分鍾決勝期，發球權仍以擲硬幣的形式決定。如果決勝期得分仍相等，執行一對一依次罰球，只要出現某隊領先1分即為勝方，比賽結束。
第九條
9-1 隊長：比賽中，隊長是場上唯一發言人。
9-2 紀律：比賽中應絕對服從裁判，以裁判員的判罰為最終判決。
本規則適用於全國各種級別的"三對三"比賽，解釋權歸屬中國籃球協會。
（一）比賽通則
1．球場規格
NCAA的球場尺寸是長94英尺（28．65米），寬50英尺（15．24米）。NCAA的球場面積與NBA的球場面積相同。
球場的丈量是從界線的內沿量起，線寬2英寸（5．08厘米）。場外至少應有3英尺（gi．44厘米）的無障礙空間，最好是10英尺（3．05米）的無障礙空間。用不同於球場地面的顏色代替2英寸的界線是合法的。
在端線外畫兩條寬2英寸（5．08厘米）的虛線，與端線平行，距端線最小尺寸是6英尺（1．83米），非參賽人員不得在此區域內。
中圈的半徑是6英尺（1．83米），從自的外沿量起。一條分場線橫貫其中，與兩邊線相接。
罰球區是寬12英尺（3．66米）、長19英尺（5．79米）所構成的區域加上以半徑為6英尺（1．83米）的半圓區域（均量至線的外沿）。罰球線的遠邊距籃板表面15英尺（4．57米）。
球場兩端標有3分投籃線，畫法是：從端線引出兩條平行於邊線的線（長63英寸=1．60米），各距邊線內沿63英寸（1．60米），與以球籃中心點為國心，以19英尺9英寸（6．02米）為半徑的圓
弧相交。NCAA的3分投籃線與WNBA的3分投籃線相同。
另有兩條寬2英寸（5．08厘米）、長3英尺（91．44厘米）的線（距離端線內沿28英=8．53米）畫在邊線外側，作為教練員區域的標志線。
具體規格如圖1、2所示。
2．比賽時間
比賽時間為兩個半時，每半時20分鍾，中間休息15分鍾。每一決勝期是5分鍾。
當球第一次成為活球時，每半時比賽開始。當時間終了時每半時比賽結束，下列情況除外：
．投籃的球在飛行中或隊員拍向本方球籃的球在飛行中；
．在臨近時間終了時發生了爭球或違例，在時間終了前比賽計時鍾沒有停止；
．在臨近時間終了時發生了犯規，在時間終了前計時員未能停止比賽計時鍾；或者時間終了後但投籃的球或拍向本方球籃的球在飛行中發生了犯規。
如果在下半時結束時兩隊得分相等，比賽應在不改變球籃的情況下繼續進行。決勝期間休息1分鍾，直至分出勝負為止。
每一決勝期為5分鍾，是下半時的延伸。
3．球隊
每隊由5名隊員組成，其中1名為隊長。比賽必須有5名隊員才能開始。如果其他球隊成員已無資格進行比賽，場上隊員少於5名時比賽仍可繼續進行。如某隊只剩下一名隊員，則該隊比賽告負。
4．定義
（1）球籃
一個球隊的本方球籃，是該隊隊員試圖將球投入的球籃。
NCAA和NBA規則關於本方球籃的定義，恰好與FIBA規則規定相反。有鑒於此，FIBA在1998－2002年規則中，把關於球籃的定義列在第一條，以便於FIBA規則在全世界的實施。
NCAA男子比賽中，客隊有權選擇球籃並進行練習，下半時比賽中應交換球籃。
在NCAA女子比賽中，球隊應在距離球隊席區域較遠的球籃進行熱身練習和上半時的比賽，下半時比賽應交換球籃。
如果裁判員失誤地允許一個球隊朝錯誤的方向進攻，當發現錯誤時所有的得分、發生的犯規和消耗的時間均有效，比賽應按正確的方向繼續進行。
（2）干擾投籃
干擾投籃發生在：
當球在球籃上或球籃中，隊員觸及球或球籃的任一部分；
當球的任一部分在以籃圈底部為假想圓柱體之內時，隊員觸及球；或從籃圈下面伸手穿過球籃並在球進人圓柱體前觸及球。
（3）阻擋與控人
阻擋，是阻礙對方隊員行進的非法的身體接觸。
撞人，是推動或移動到對方隊員軀幹上的非法的身體接觸。
（4）額外罰球
額外罰球是第2次罰球。當隊員發生普通的犯規，從該隊第7次犯規（包括每半時內發生的侵人犯規、不道德的和接觸的技術犯規）開始，只要第1次罰球成功，判給對方隊一次額外罰球（控制球隊員犯規除外）。
對於男子比賽，從每半時第10次犯規開始，對每一普通的犯規均判給對方隊2次罰球（控制球隊員犯規除外）。
註：普通的犯規，是指一般的侵人犯規，它既不是嚴重犯規、故意犯規、對投籃的隊員犯規，也不是雙方犯規和聚眾犯規的一部分。
（5）附帶的接觸
發生接觸並不一定就是犯規。當10名隊員在有限的場地上快速地移動，肯定會發生一些接觸。
對方隊員努力搶球中，或雙方隊員都處於有利的進攻或防守位置，一旦發生接觸就是附帶的，即使接觸可能是猛烈的。
接觸，當其不妨礙對方隊員進行正常的防守或進攻的移動時，應看作是附帶的。
在對方隊員的視野之外做掩護，對方隊員可能與掩護隊員發生無意的接觸，如果對方隊員跑得很快，接觸可能是嚴重的，只要對方隊員在接觸時確已停步（或試圖停步）和繞過掩護，就可認為是附帶的接觸。
（6）要登記的暫停
在正規的比賽中，每隊有權請求5次要登記的暫停。
一次單一的要登記的暫停不超過75秒鍾。60秒鍾後，應發出信號提醒球隊做好比賽的准備，75秒鍾後，發出信號令比賽重新開始。
（二）違例及其罰則
1．3秒鍾規則
某隊在前場控制球時，該隊隊員不得在罰球區的罰球線的遠邊和端線之間的部分停留3秒鍾。允許在限制區內的隊員在不到3秒鍾時運球或轉入投籃。如果隊員以傳球替代投籃，應宣判隊員違例。
2．10秒鍾規則
（男子）一名隊員不得（他的隊不得）在他的後場連續控制球達10秒鍾。
例如，A1在他的後場已經運球8秒鍾，這時他把球傳給在前場的A2，當球在空中時，10秒鍾到了，裁判員宣判違例，將球判給B隊在靠近A1傳球的地點擲界外球。
3．35秒鍾規則和30秒鍾規則
在男子比賽中，某隊控制球後必須在35秒鍾內投籃。
在女子比賽中，某隊控制球後必須在30秒鍾內投籃。
球必須在規定的時間前離開投籃隊員的手，並且球要碰籃圈或進進球籃。
4．球回後場
某隊控制前場球，該隊隊員使球進入後場，這個隊的隊員不得在後場首先觸及球。在前場的傳球被防守隊員打到後場的，雙方隊都可以重新獲得。
5．揮肘
隊員不得過分地揮動臂或肘，即使沒有與對方隊員發生接觸。
例如：A1投籃的球在飛向A隊的球籃的時候，B1猛烈地揮動臂和肘，並且沒有與A隊的任何隊員發生接觸。裁判員應立即鳴哨，但是球不成死球，直到投籃明顯的命中或不中。如果投籃成功，計得分，該違例忽略不計。如果投籃不成功，將球判給A隊在靠近B1違例地點擲界外球。
6．被嚴密的防守
控制球的隊員（不是運球）被嚴密防守（在6英尺=l、83米之內）超過5秒鍾，為違例。
對於男子比賽，只限於前場。
對於女子比賽，是指場上的任何地方。
7．干擾球
．當球在任一球籃上或內時，隊員不得觸及球或球籃。當球的任何部分在籃圈水平面之下時，即被認為是在球籃內。
．當球觸及以籃圈為底的圓柱體時，隊員不得觸及球。
．當球從下面穿過球籃，即使球在圓柱體外，隊員也不得觸及球。
．投籃中，當球在向下飛行中和整個地在籃圈水平面之上，並且有可能進進球籃時，隊員不得觸及球。
．被隊員拍向自己球籃的球，當球在向下飛行中和整個地在籃圈水平面之上，並且有可能進進球籃時，隊員不得觸及球。
違反上述規定為違例，按規則規定的相關罰則處理。
（三）犯規及其罰則
犯規，包括技術犯規、侵人犯規、嚴重犯規、故意犯規、控制球隊隊員犯規、雙方侵人犯規和雙方技術犯規。
1．技術犯規
球隊或隊員出現下列情況，將登記一次技術犯規：
．延誤比賽；
．改變指定的出場陣容；
．比賽中超出規定的5名隊員；
．超出額定的暫停；
．替補隊員未報告記錄員或未經裁判員招呼就進入場地。
這種管理程序方面的技術犯規，罰則是判給對方隊2次罰球和球權。此種技術犯規不計人隊員5次犯規和球隊的額外罰球。
隊員出現下列情況，將登記一次非接觸的技術犯規：
．改變號碼後末報告記錄員和裁判員；
．已取消比賽資格後又進入比賽；
．佩戴相同的號碼；
．佩戴不合法的號碼；
．穿著不合法的背心；
．在裁判員管轄時間內抓籃圈；
．（男子）在比賽前或比賽中，或在任何休息時間中，把死球扣入或試圖扣進球籃；
．當投籃或拍擊的球在飛行中、正觸及籃板、在球籃上或球籃中，或在球籃上面的圓柱體內，隊員拍打籃板或搖動籃板或籃圈；
．未經批准即離開球場。
這種涉及隊員行為的技術犯規，罰則是判給對方隊2次罰球和球權。此種技術犯規不計入隊員5次犯規和球隊的額外罰球。
隊員出現下列情況，將登記一次非接觸的技術犯規：
．與裁判員談話或接觸中沒有禮貌或表現不滿；
．使用褻讀或粗魯的語言，奚落、欺侮或嘲笑另一隊員，或用手指指向另一隊員，或做出令人厭惡的姿態；
．在對方隊員眼睛附近搖手，有意地妨礙對方隊員的視線；
．爬在同伴身上或舉起同伴以獲得較高的高度；
．故意地執行一個無權的罰球；
．接受一個應登記給同伴的犯規；
．假裝被犯規；
．煽起不良的觀眾反應；
．當球成死球時，故意地或嚴重地接觸對方隊員。
這種涉及隊員不道德行為的非接觸技術犯規，罰則是判給對方隊2次罰球和球權。此種技術犯規計入隊員5次犯規和球隊的額外罰球。二次不道德的技術犯規應被看作是嚴重的技術犯規，並驅逐出場。
球隊席人員（教練員、替補隊員、球隊服務人員）和隨隊人員出現下列情況，應判給一次技術犯規：
．與裁判員談話沒有禮貌；
．試圖影響裁判員的宣判；
．使用褻讀的行為或粗俗的、侮辱的語言；
．嘲弄或欺辱對方隊員；
．以離開座位或做姿態來反對裁判員的宣判；
．煽起不良的觀眾反應；
．未經裁判員允許進人場內；
．未在30秒鍾內完成取消比賽資格或受傷隊員的替換；
．為了達到指揮的目的，在場邊使用電視監視器或重放設備或喊話筒和手工操作的聲音裝置；
．拒絕去已指定的球隊席；
．一旦裁判員開始行使權利，故意地往場上扔物品；
．比賽進行中奏音樂器具。
這種涉及球隊席人員和隨隊人員不道德行為的技術犯規，罰則是判對方隊2次罰球和球權。此種技術犯規計入替補隊員（即使該隊員此刻並未參加比賽）5次犯規和球隊的額外罰球。
所有上述的不道德的技術犯規，還要給教練員或助理教練員進行登記。判給球隊席人員的2次不道德的技術犯規應被看作是嚴重的技術犯規，並驅逐出場。對教練員或助理教練員判了2次技術犯規後或3次球隊席技術犯規後，應被驅逐出場。
嚴重的技術犯規，罰則是判給對方隊2次罰球和球權。犯規者應自動地離開比賽。
球隊席人員除規則允許的活動外，必須留在教練區域內。
對教練員、球隊成員、球隊服務人員或隨隊人員判罰的任何嚴重的技術犯規或嚴重的侵人犯規（指打架，球成活球時為嚴重的侵人犯規，在死球期間為嚴重的技術犯規），應判給對方隊2次罰球，犯規者應到球隊的休息室，直到比賽結束時為止。
2．侵人犯規
關於侵人犯規，NCAA規則所作的規定和罰則如下：
隊員不得拉、推、技或絆對方隊員；不得靠伸展臂、肩、臀、膝或彎曲身體成不正常姿勢阻礙對方隊員行進；也不得使用任何粗野的手法。
隊員不得用手接觸對方隊員，除非此接觸僅僅是接觸了對方隊員持球的手，並且是試圖搶球中附帶發生的。把手置於對方隊員身上以致妨礙對方隊員移動的自由，是不合法的。非垂直地伸展臂以致發生接觸時阻礙對方隊員移動的自由，是不合法的。隊員運球或投籃中不得使用前臂和手阻止來搶球的對方隊員。在對方隊員危急的撞擊中，隊員可以將手或臂置於臉部或身體前面以保護自己和吸收沖力。
防守隊員從持球隊員後面造成的接觸，是推人的一種形式。由投籃隊員的動量造成的接觸，是撞人的一種形式。
運球隊員不得沖撞在運球路徑中的對方隊員，也不得試圖在兩個對方隊員之間或一個對方隊員和界線之間運球通過，除非空間有合理的機會使隊員通過而不發生接觸。如果運球隊員的頭和肩部已穿過對方隊員而未發生接觸，再發生接觸則由對方隊員負主要責任。如果運球隊員已建立了直線路徑，運球隊員不能被擠出此路徑，但是，如果一名對方隊員在該路徑中已建立了合法的防守位置，運球隊員必須改變方向或停止運球以避免發生接觸。
隊員在靜立的對方隊員的視野之外做掩護，必須留有正常的一步的距離；在靜立的對方隊員的視野之內做掩護，掩護隊員可以在不發生接觸的情況下隨意靠近對方；對方隊員在移動中，占據的位置不能離對方太近，要讓對方隊員能夠停步或改變方向以避免接觸；占據合法的掩護位置之後，不得以移動來保持掩護，除非掩護隊員在對方隊員的同一方向和路徑中移動。
侵人犯規的罰則如下：
給犯規隊員登記一次犯規，如果此犯規是該隊員第5次犯規（包括任何侵人犯規、不道德的和接觸技術犯規在內），或者，
如果是嚴重犯規，犯規隊員應被取消比賽資格。
判給被侵犯的隊員的罰球如下：
l次罰球：
．對試圖投籃的隊員犯規，該投籃成功；
．對每一次非嚴重的犯規，該犯規是聚眾犯規的一部分，並且不是控制球隊隊員犯規，不管被犯規隊是否處在額外罰球中。
2次罰球：
．對試圖投籃的隊員犯規，該投籃未成功；
．對故意的侵人犯規或嚴重的侵人犯規，並且判給被侵犯的隊在靠近發生故意的侵人犯規或嚴重的侵人犯規的地點擲界外球；
．對任何單一的嚴重的技術犯規，並且判給被侵犯的隊在分場線的任一終端擲界外球；
．（女子）對跳起投籃的隊員阻擋犯規，如果投籃未中；
．（男子）對每一普通的犯規（控制球隊員犯規除外），從該隊第10次犯規（是每半時侵人犯規、不道德的和接觸的技術犯規結合的結果）開始；
．對聚眾犯規的每一嚴重犯規，並且判給被侵犯的隊擲界外球；
．對聚眾犯規（被侵犯的隊員試圖做3分投籃且未成功除外），如果任一犯規是故意的或嚴重的應判給被侵犯的隊擲界外球。
3次罰球：
．對試圖做3分投籃的隊員犯規並且投籃未成功。如果此犯規是故意的或嚴重的，也判給被侵犯的隊在靠近發生犯規的地點擲界外球。
額外罰球：
對每一普通的犯規（控制球隊隊員除外），從該隊第7次犯規（每半時侵人犯規、不道德的或接觸的技術犯規）開始，只要第1次罰球成功。
不罰球：
．對額外罰球規則有效前發生的每一次普通的犯規；
．控制球隊隊員犯規；
．對雙方犯規，即使其中一個或兩個是嚴重的或故意的
⑷ 干貨分享-短視頻審核講解
電商支撐：智慧鏈接-愛用建站入口，一個免費的小程序商城
關於 短視頻審核的細則 ，運營人你知道嗎？
如下——
審核流程與流量分配
審核規則：審核規則制定，如何細化規則，審核操作
審核質量檢查：審核指標，質檢方法，審核後台
一、審核流程
審核流程與審核規則
審核流程和審核規則是相輔相成的，審核流程有幾道，會對審核規則有一些影響。審核流程越多，每一層審核的規則的製作方向就越明確。但是，審核流程不宜過多，造成人力的浪費。如果可以藉助人工智慧，使用機器加快效率是最好的。
一般目前的短視頻的審核都會有初審和復審兩塊：初審主要控制安全線，例如不合法的、不健康的內容。復審除了對初審的內容進行再次review之外，還會有控制各類內容流量獲取的作用，也就是通俗所說的產品調性把控。
審核流程與流量分配
在初審的時候一般不會分配流量，因為如果有安全問題，一旦爆出，會影響很大。而在復審的時候，通常就會獲得「隨機流量」，然後開始賽跑，表現優異的視頻會獲得越來越多的流量。當然也會有一些重內容運營的產品，手動將符合調性的內容挑出，打造自己想要的社區，做得很好的範例就是抖音了。
說回到隨機流量的分配，同復審到底有幾道也是有關系的。如果復審有2道以上，在從第一道升到第二道的過程中，咱們可以選擇不再分配流量或繼續分配流量。如果選擇不再分配流量，那麼第一道的審核就必須非常及時，不然對創作者的體驗會非常不好。如果選擇可以繼續分配流量，那麼審核時要從第二道往第一道審，將最有可能有問題的內容優先審出。
如果審核人力十分有限，那麼通過初審之後，可以攔一道線，在爬坡時低於某個流量的視頻就可以忽略不審。
二、審核規則
審核內容
常見的審核內容會有視頻、頭像、評論、直播內容等。雖然形式多樣，但萬變不離其宗。
審核規則
審核規則從目的角度可以劃為兩類：硬性規則和軟性規則。
硬性規則通常是關乎安全問題的規則，或者一些客觀的問題，如清晰度；而軟性規則，解釋這個軟性，有兩個方面。
一個是說，這個規則會隨著產品的不同階段的需求進行改變，同時也因為這個調整的是調性，所以可能不同的人判斷會略有偏差，或者說在一個內容十分突出的情況下，可以忽略某些點而讓他通過，但大體上不會有很大的出入。
審核操作
一般來說，審核會有幾大負向操作：不上熱門、刪除、僅自己可見、降權、封禁等操作，並會區分視頻操作和用戶級操作。
就操作來說沒什麼難度，難點是在將操作和規則對應上。但說難也不難，其中的關鍵就是：做這個視頻社區的時候，你想做成什麼樣子。
一般來說，你想要的內容都列出來，其他的內容不要，那麼就該執行負向操作。
規則細化
想清楚了產品要做成什麼樣子，那麼就要真槍實干開始寫規則了。可以用思維導圖將涉及到的方方面面窮舉、歸類、細分大規則，然後制定。制定時注意，規則一定要細致，並僅屬於一個類別。如果屬於多個類別，很可能審核人員難以理解。如果可以附加上例子，方便審核人員學習，那會大大降低錯誤率。
寫完審核規則之後，自己先按著這個方法進行執行，確保沒有一些漏網之魚存在，此時再將規則擴散。並且囑咐審核人員，如果遇到不理解的case，不能隨意處置，需要上報。這樣才能慢慢完善這些規則。
三、審核質量檢查
質檢方法
審核工作必須有質檢的步驟，且質檢時需要能區別是哪一道審核，哪個審核員，哪個操作。
如果人力有富裕，可以安排部分視頻交叉審核，這樣質檢人員可以著重針對交叉審核結果不一致的部分針對性研究，可能是規則模糊導致兩個審核員不一致，也有可能是某一個審核員對規則的理解不透徹。
審核指標
無論什麼工作都必須有檢驗的標准，即使是軟性的，非數字的，當然能量化的一定要量化。審核毋庸置疑，最重要的是正確率，其次就是審核數量。
當針對某個審核員考核的時候，可以看各個操作數的比例，是否和其他操作人員相同，比如：審核員甲乙丙三人，刪除視頻率分別是1%、1.2%、5%，那麼我們有理由懷疑丙對規則的理解有所偏差，導致刪除視頻過多。
當針對審核工作整體進行考核的時候，我們可以對審核延時、整體送審量、過審量進行考察，且同比觀察數據，這樣在節假日的時候，可以有備無患。
審核後台
工欲善其事，必先利其器，審核後台一定要做好。
首先，後台的邏輯要跟著審核流程走，一定不能有差錯。其次載入速度一定要快。然後很重要一點是可回查，人的慣性行動可能會快於大腦的思考速度。這時，就會出現誤操作，因此要讓審核人員有機會將剛才的失誤進行改正。最後審核數據實時化，這樣審核員也會心中有數今天自己的速率如何。
有條件的話，一定要一個後台產品經理幫忙設計一下，不然這個後台就需要實時打補丁了，影響日常的審核進度。
總結一下：審核工作雖然繁瑣，但是對於社區的理解是大有益處的。且如果可以通過審核了解社區風向，對於產品的運營是大有裨益的。希望以上的內容對各位有所幫助，如果喜歡的話，一定告訴我！