earticle

영어

The purpose of this study is to realize a system that can automatically recognize players and record location information within the video of a badminton singles match. To achieve the research purpose, 500 training data and 60 test data were used to develop a badminton single player tracking model. As a result, 100 models of training data showed a mAP score of 90.0%, and 300 models showed 95.83%. The final model, 500 training data models, showed high performance at 98.33%, and it was concluded that at least 500 training data were needed to apply deep learning in badminton. These results are considered to show satisfactory performance even if the amount of training data is not large because there was no camera viewpoint movement using the image obtained from a single fixed camera, and the badminton court, which is the background of the image, was kept constant. Therefore, it was confirmed that the amount of data used for learning is important for the development of high-performance deep learning models, but it is necessary to proceed with sufficient consideration of external environmental factors.

한국어

본 연구는 배드민턴 단식 경기 영상 내에서 선수를 자동으로 인식하고 위치 정보를 기록할 수 있는 시스템을 구현하 는데 목적이 있다. 연구목적을 달성하고자 배드민턴 단식 선수 추적 모델을 개발하기 위해 학습 데이터 500개와 테스트 데이터 60개를 사용하였다. 그 결과 학습 데이터 100개 모델은 mAP 점수 90.0%로 나타났고, 300개 모델은 95.83%로 나타났다. 최종 모델인 학습 데이터 500개 모델은 98.33%로 높은 성능을 나타냈으며 배드민턴 종목에서 딥러닝 적용을 위해서는 최소 500개 이상의 학습 데이터가 필요하다는 결론을 도출하였다. 이러한 결과는 고정형 단일 카메라에서 얻어 진 영상을 사용하여 카메라 시점 이동이 없었고, 영상의 배경이 되는 배드민턴 코트가 일정하게 유지되었기 때문에 학습 데이터의 양이 많지 않더라도 만족할 만한 성능을 보인 것으로 사료된다. 따라서 높은 성능의 딥러닝 모델 개발을 위해서는 학습에 사용되는 데이터의 양도 중요하지만 외부 환경 요인을 충분히 고려하여 진행해야 한다는 것을 확인하였다.