SoccerTrack v2: A Full-Pitch Panoramic Video Dataset for Game State Reconstruction and Ball Action Spotting
SoccerTrack v2는 경기 상태 재구성과 볼 액션 탐지에 관한 통합적 연구를 가능하게 하기 위해, 10개의 대학 수준 경기에서 추출한 932분 분량의 4K 파노라마 비디오 데이터셋을 도입하며, 여기에는 전체 경기장 내 선수 궤적, 미터 좌표, 그리고 행위자 연계 볼 액션 이벤트가 통합되어 있습니다.
원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
현대 축구 경기를 이해하기 위해서는 두 가지 서로 다른 종류의 정보를 살펴보아야 한다. 첫 번째는 모든 사람이 어느 순간에 어디에 서 있는지에 대한 지도이며, 이는 경기장 잔디 위에서 모든 선수와 공의 움직임을 추적하는 것이다. 두 번째는 그들이 실제로 무엇을 했는지에 대한 기록이다. 즉, 패스, 슛, 태클, 또는 골과 같은 것들이다. 수년 동안 연구자들은 이 두 가지를 함께 연구하는 데 어려움을 겪어 왔다. 대부분의 가용 데이터는 카메라가 스포트라이트처럼 움직임을 따라가는 텔레비전 중계 영상에서 온다. 이는 공이 경기장 반대편으로 이동할 때, 어둠 속에 남겨진 선수들이 단순히 무시된다는 것을 의미한다. 그들의 위치는 추측되거나 완전히 누락되며, 이로 인해 전개되는 경기의 전체 모습을 보는 것이 불가능해진다. 경기장 전체를 보지 못하면, 한 팀의 대형이 어떻게 변하는지 또는 특정 동작이 전체 그룹에 어떻게 파급 효과를 미치는지 이해하기 어렵다.
나고야 대학교와 쓰쿠바 대학교의 연구팀은 마침내 전체적인 시야와 전체적인 이야기를 하나로 결합한 새로운 리소스를 공개했다. 그들은 이를 SoccerTrack v2라고 부른다. 팬과 줌을 사용하는 카메라에 의존하는 대신, 그들은 경기장 전체를 단 하나의 넓은 샷으로 포착하는, 경기장 높은 곳에 설치된 고정 카메라를 사용했다. 이 설정은 공이 어디로 가든 어떤 선수도 프레임에서 사라지지 않도록 보장한다. 이 데이터셋은 10번의 대학 수준 경기를 포함하며, 총 930분 이상의 연속 영상을 담고 있다. 연구진은 이 영상의 모든 프레임에 대해 모든 선수의 정확한 위치, 유니폼 번호, 역할, 그리고 소속 팀을 기록했다. 또한 단순한 패스부터 복잡한 태클에 이르기까지 모든 볼 액션을 태깅하였고, 각 액션을 수행한 특정 선수와 직접 연결했다. 이는 선수의 움직임과 경기의 사건들이 이전에는 불가능했던 방식으로 결합된, 완전하고 동기화된 기록을 만들어낸다.
연구진은 이 새로운 데이터를 사용하여 컴퓨터가 경기 상태를 재구성하고 특정 동작을 포착하는 능력을 얼마나 잘 수행하는지 테스트했다. 그들은 최대 45분 동안 지속될 수 있는 한 경기의 전 기간에 걸쳐 선수를 추적하는 시스템을 구축했다. 단 30초 정도의 짧은 클립으로 이 시스템을 테스트했을 때는 선수들을 정확히 식별하며 꽤 우수한 성능을 보였다. 그러나 시스템을 경기 전체 길이에 걸쳐 실행했을 때, 정확도는 눈에 띄게 떨어졌다. 영상의 길이가 길어질수록 컴퓨터가 누가 누구인지 추적하는 것은 더 어려워졌다. 시간이 흐름에 따라 시스템은 정체성을 놓치기 시작했고, 선수들을 혼동하거나 아예 놓쳐버렸다. 이 발견은 매우 중요한데, 왜냐하면 짧은 영상 조각에서 완벽하게 작동하는 시스템이 긴 시간의 전체 경기에서도 똑같이 잘 작동할 것이라고 가정할 수 없음을 보여주기 때문이다. 장기 추적의 과제는 단기 분석의 과제와는 실질적으로 다르며 별개의 문제이다.
두 번째 실험에서 연구팀은 비디오 픽셀 자체를 보는 대신, 선수와 공의 움직임 데이터만을 사용하여 패스나 슛과 같은 볼 액션을 인식하도록 컴퓨터를 학습시키려 했다. 그들은 선수들이 어디에 있는지를 아는 것만으로도 대부분의 동작을 합리적인 정확도로 추측할 수 있다는 것을 발견했다. 그러나 정보에 공의 구체적인 경로를 추가했을 때, 특히 매우 빠르게 일어나는 사건들에 대해 컴퓨터의 동작 포착 능력이 극적으로 향상되었다. 공의 움직임은 선수들의 위치만으로는 완전히 포착할 수 없는 결정적인 단서를 제공했다. 흥ari하게도, 컴퓨터는 태클이나 블록처럼 두 선수가 공을 두고 다투는 동작에서 가장 큰 어려움을 겪었다. 이러한 순간들은 물리적 충돌에 의해 결과가 결정되기 때문에, 단순히 선수들이 어디에 서 있는지를 보는 것만으로는 예측하기 어렵다.
이 데이터셋의 공개는 현재 기술의 한계 또한 부각시킨다. 연구진은 경기장 전체를 볼 수는 있었지만, 카메라 각도 때문에 공이 종종 몇 개의 픽셀로만 나타나 컴퓨터가 영상에서 직접 공을 탐지하는 것이 거의 불가능하다고 언급했다. 대신, 그들은 이벤트 로그로부터 재구성된 공의 경로에 의존해야 했다. 이는 현재의 결과가 관찰된 선수 움직임과 재구성된 공 데이터의 혼합에 기반하고 있음을 의미한다. 또한 연구팀은 이 데이터가 대학 수준의 경기에서 왔으며, 이는 프로 경기와는 다르게 진행될 수 있고, 사용된 카메라 시스템 또한 텔레비전에서 사용하는 움직이는 카메라와 달리 고정되어 있다는 점을 지적했다.
이러한 한계에도 불구하고, 이 작업은 커다란 진전을 의미한다. 연구진은 전체 경기장, 전체 기간, 그리고 전체 이야기를 하나의 패키지로 제공함으로써 과학계에 새로운 표준을 제시했다. 그들은 짧은 클립으로 시스템을 평가하는 것이 성능에 대해 오해를 불러일으킬 만큼 낙관적인 견해를 줄 수 있다는 것을 보여주었다. 경기를 진정으로 이해하고, 추적을 놓치지 않고 전체 경기를 관찰할 수 있는 시스템을 구축하려면, 연구자들은 반드시 전체 경기 길이에 걸쳐 그 방법들을 테스트해야 한다. SoccerTrack v2는 이러한 종류의 작업을 위한 첫 번째 완전한 놀이터를 제공하며, 과학자들이 자신들의 현재 도구가 어디에서 성공하고 어디에서 실패하는지를 정확히 볼 수 있게 함으로써, 이 아름다운 게임에 대한 더 깊은 이해를 위한 길을 열어주고 있다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.