비디오 기반 포즈 추정을 이용한 실시간 축구 드리블 기술 분류를 위한 머신러닝과 딥러닝 모델의 비교 분석
Comparative Analysis of Machine Learning and Deep Learning Models for Real-Time Soccer Dribbling Technique Classification Using Video-Based Pose Estimation
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 논문은 비디오 기반 포즈 추정을 사용하여 5가지 축구 드리블 기술을 분류하는 머신러닝 모델을 제안한다. 드리블 기술(페인팅, 인사이드-아웃사이드, 플립플랩, 호날두 찹, 스텝오버)의 48개비디오를 수집하고, MediaPipe Pose를 사용하여 21,186개 프레임에서 33개 해부학적 랜드마크의3D 좌표를 추출한 후, 5-fold 교차 검증을 통해 6개 모델을 비교하였다. XGBoost가 최고 정확도(99.11%)를 달성했고, Random Forest(98.94%)가 뒤를 이었으며, 딥러닝 모델들은 1D CNN(97.64%), LSTM(97.31%), Transformer(88.03%), GRU-CNN(86.66%)으로 상대적으로 낮은 성능을 보였다. 모든모델이 실시간 처리 요구사항을 초과했으며, XGBoost는 203,484 FPS에 도달했다. 특징 중요도 분석 결과 하체 랜드마크가 분류 결정에 68% 기여한 것으로 나타났다. 연구 결과, 트리 기반 앙상블 방법이 공간 좌표 관계를 효과적으로 활용하여 드리블 분류에서 딥러닝보다 우수한 성능을 보였으며, 이는 훈련 응용을 위한 실시간 고정확도 분석을 가능하게 한다.
Abstract
This paper proposes machine learning models for classifying five soccer dribbling techniques using video-based pose estimation. We collected 48 videos of dribbling techniques (feinting, inside-outside, flip flap, Ronaldo chop, step over), extracted 3D coordinates of 33 anatomical landmarks from 21,186 frames using MediaPipe Pose, and compared six models through 5-fold cross-validation. XGBoost achieved the highest accuracy (99.11%), followed by Random Forest (98.94%), while deep learning models showed lower performance: 1D CNN (97.64%), LSTM (97.31%), Transformer (88.03%), and GRU-CNN (86.66%). All models exceeded real-time requirements with XGBoost reaching 203,484 FPS. Feature importance analysis revealed lower body landmarks contributed 68% to classification decisions. Results demonstrate tree-based ensemble methods outperform deep learning for dribbling classification by effectively utilizing spatial coordinate relationships, enabling real-time, high-accuracy analysis for training applications.