[논문 리뷰] Crick-net: A Convolutional Neural Network based Classification Approach for Detecting Waist High No Balls in Cricket

Harun-Ur-Rashid, Shekina Khatun외 3명|arXiv (Cornell University)|2018. 05. 15.

Sports Analytics and Performance참고 문헌 7인용 수 5

한 줄 요약

이 논문은 컴퓨터 시각 기반으로 크리켓에서 허리 높이의 불법 노볼을 자동으로 분류하기 위해 Inception V3 기반의 컨볼루션 신경망(Cricket-net)을 제안한다. 이 방법은 불법 노볼과 정상적인 투수 행동을 구분하는 데 평균 88%의 정확도를 달성하여 스포츠 심판의 인공지능 기반 운영 가능성을 입증한다.

ABSTRACT

Cricket is undoubtedly one of the most popular games in this modern era. As human beings are prone to error, there remains a constant need for automated analysis and decision making of different events in this game. Simultaneously, with advent and advances in Artificial Intelligence and Computer Vision, application of these two in different domains has become an emerging trend. Applying several computer vision techniques in analyzing different Cricket events and automatically coming into decisions has become popular in recent days. In this paper, we have deployed a CNN based classification method with Inception V3 in order to automatically detect and differentiate waist high no balls with fair balls. Our approach achieves an overall average accuracy of 88% with a fairly low cross-entropy value.

연구 동기 및 목표

• 컴퓨터 시각과 딥 러닝을 활용하여 크리켓에서 허리 높이의 불법 노볼을 자동으로 탐지하는 것.
• 투수 행동을 실시간으로 분석하기 위해 AI를 활용해 심판 결정의 인간 오류를 줄이는 것.
• 공의 발리브 높이에 따라 정상 투수 행동과 불법 노볼을 구분할 수 있는 견고한 분류 시스템을 개발하는 것.
• 이미지넷 사전 훈련된 Inception V3 아키텍처를 자체 크리켓 데이터셋에 맞게 미세조정하여 이 특정 분류 작업에 대한 성능을 평가하는 것.

제안 방법

• 크리켓 영상 프레임에서 특징을 추출하기 위해 백본으로 Inception V3 아키텍처를 사용한다.
• 추출된 특징 위에 완전히 연결된 분류기 헤드를 훈련시켜 허리 높이의 불법 노볼과 정상 공을 구분한다.
• 제한된 훈련 데이터에서의 모델 일반화를 향상시키기 위해 데이터 증강 기법을 적용한다.
• 분류 성능 최적화를 위해 엔드 투 엔드 훈련을 위해 교차 엔트로피 손실을 사용한다.
• 이미지넷 가중치를 크리켓 전용 데이터셋에 대해 미세조정하여 전이 학습을 활용한다.
• 영상 프레임을 처리하여 투수의 공을 놓는 지점과 허리 높이 대비 공의 높이를 추정한다.

실험 결과

연구 질문

• RQ1 딥 컨볼루션 신경망 모델은 시각 데이터를 사용하여 크리켓에서 허리 높이의 불법 노볼을 정확하게 분류할 수 있는가?
• RQ2 Inception V3를 사용한 전이 학습은 특정 크리켓 투수 위반 행위 탐지에 얼마나 효과적인가?
• RQ3 컴퓨터 시각을 사용하여 정상 투수 행동과 허리 높이의 불법 노볼을 구분할 수 있는 정확도는 어느 정도인가?
• RQ4 제한된 데이터셋에서 모델의 교차 엔트로피 손실과 일반화 성능은 어떻게 평가되는가?

주요 결과

• 제안된 Crick-net 모델은 허리 높이의 불법 노볼과 정상 투수 행동을 분류하는 데 총 평균 정확도 88%를 달성한다.
• 모델는 상당히 낮은 교차 엔트로피 손실을 보이며, 예측에 강한 신뢰도와 훈련 중 양호한 수렴을 나타낸다.
• 자체 크리켓 데이터셋에 대해 Inception V3 아키텍처를 미세조정하면 특정 작업에 효과적인 특징 학습이 가능하다.
• 딥 러닝의 잠재력은 특히 인간 오류를 줄이기 위해 스포츠 심판의 의사결정 자동화에 기여할 수 있음을 보여준다.
• 모델의 성능은 샘플 수가 제한된 데이터셋에서 검증되었으며, 데이터 부족에도 불구하고 강건함을 보였다.
• 이 방법은 스포츠 분석 및 자동 심판 시스템에서 실시간 구현 가능성을 지닌다.