飞镖通常是一种传统的酒吧游戏。这里的玩家必须保持自己的分数，这会减慢游戏速度并降低游戏乐趣。为此创建了一些自动化系统，但它们既昂贵又复杂。最近的一篇论文提出了一种基于深度学习的方法，可以根据从任何前置摄像头角度拍摄的单个图像来预测飞镖分数。

研究人员提出了一种新的基于深度学习的关键点检测方法，其中关键点被建模为对象。除了飞镖着陆位置之外，还使用深度卷积神经网络来检测飞镖标定点。

校准点用于映射预测的飞镖位置并校准得分区域。然后根据他们的位置对分数进行分类。实验证实，所建议的方法可以准确地预测飞镖分数并推广到各种摄像机角度。

现有的用于钢尖飞镖自动记分的多摄像头解决方案非常昂贵，因此大多数玩家无法使用。为了开发更易于访问的低成本解决方案，我们提出了一种新的关键点检测方法，并将其应用于从从任何摄像机角度拍摄的单个图像中预测飞镖分数。这个问题涉及检测可能属于同一类并且彼此靠近的多个关键点。广泛采用的使用热图回归关键点的框架并不适合这项任务。为了解决这个问题，我们建议将关键点建模为对象。我们围绕这个想法开发了一个深度卷积神经网络，并使用它来预测整个管道中的飞镖位置和飞镖校准点，用于自动飞镖评分，我们称之为 DeepDarts。此外，我们提出了几种特定于任务的数据增强策略，以提高我们方法的泛化能力。作为概念证明，手动收集和注释包含来自两个不同飞镖设置的 16k 图像的两个数据集以评估系统。在包含使用智能手机从飞镖板的正面视图中捕获的 15k 图像的主要数据集中，DeepDarts 在 94.7% 的测试图像中正确预测了总分。在包含有限训练数据(830 张图像)和各种摄像机角度的第二个更具挑战性的数据集中，我们利用迁移学习和广泛的数据增强实现了 84.0% 的测试准确率。由于 DeepDarts 仅依赖于单个图像，因此具有部署在边缘设备上的潜力，让任何拥有智能手机的人都可以访问钢尖飞镖的自动飞镖评分系统。代码和数据集是可用。