[논문 리뷰] ShuttleNet: Position-aware Fusion of Rally Progress and Player Styles for Stroke Forecasting in Badminton

Wei‐Yao Wang, Hong-Han Shuai외 2명|arXiv (Cornell University)|2021. 12. 02.

Sports Analytics and Performance인용 수 7

한 줄 요약

ShuttleNet는 위치 인식 attention을 사용하여 라운드 진행 상황과 선수별 스타일을 융합하는 새로운 딥러닝 프레임워크이다. 라운드 및 선수 컨텍스트를 처리하기 위해 두 개의 Transformer 기반 인코더-디코더 추출기를 사용하며, 스토크 위치와 종속성에 기반해 기여도를 동적으로 가중하는 게이트드 퓨전 네트워크를 통합하여 실제 데이터셋에서 스토크 유형 및 위치 예측에서 최신 기술을 초월하는 성능을 달성했다. 교차 엔트로피 손실은 1.9802, 평균 제곱 오차는 1.5856, 평균 절대 오차는 1.3802를 기록하였다.

ABSTRACT

The increasing demand for analyzing the insights in sports has stimulated a line of productive studies from a variety of perspectives, e.g., health state monitoring, outcome prediction. In this paper, we focus on objectively judging what and where to return strokes, which is still unexplored in turn-based sports. By formulating stroke forecasting as a sequence prediction task, existing works can tackle the problem but fail to model information based on the characteristics of badminton. To address these limitations, we propose a novel Position-aware Fusion of Rally Progress and Player Styles framework (ShuttleNet) that incorporates rally progress and information of the players by two modified encoder-decoder extractors. Moreover, we design a fusion network to integrate rally contexts and contexts of the players by conditioning on information dependency and different positions. Extensive experiments on the badminton dataset demonstrate that ShuttleNet significantly outperforms the state-of-the-art methods and also empirically validates the feasibility of each component in ShuttleNet. On top of that, we provide an analysis scenario for the stroke forecasting problem.

연구 동기 및 목표

• 배드민턴과 같은 순차적 플레이 스포츠에서 객관적이고 데이터 기반의 스토크 예측을 위한 미충족된 요구사항을 해결하기 위해.
• 스토크 예측에서 라운드 진행 상황과 개인 선수 스타일 간의 복잡한 상호작용을 모델링하기 위해.
• 라운드 내 각 스토크에서 스토크 유형 및 위치와 같은 다중 출력을 예측할 수 있는 시퀀스-투-시퀀스 프레임워크를 개발하기 위해.
• 스토크 위치에 따라 라운드 및 선수 컨텍스트의 중요도를 동적으로 가중하기 위해 위치 인식 및 동적 attention을 통합하기 위해.
• 예측적 스토크 분석을 통해 코aching 전략 개발 및 팬 참여에 실용적인 적용을 가능하게 하기 위해.

제안 방법

• ShuttleNet는 순차적 스토크 데이터를 통해 라운드 진행 상황을 모델링하기 위해 Transformer 기반 라운드 추출기(TRE)를 사용한다.
• 턴 기반 스토크 시퀀스에서 개인 선수 스타일을 분리하고 인코딩하기 위해 Transformer 기반 선수 추출기(TPE)를 활용한다.
• 학습 가능한 위치 가중치를 적용하고 컨텍스트 간 종속성을 모델링함으로써, 라운드 및 선수 컨텍스트를 위치 인식 게이트드 퓨전 네트워크를 통해 통합한다.
• 융합 네트워크는 스토크 유형과 영역 좌표를 별도로 주시할 수 있도록 유형-영역-attention(TAA) 메커니즘을 사용하여 다중 출력 예측의 모델링을 향상시킨다.
• 융합 표현을 기반으로 출력 헤드에서 두 개의 작업별 예측기(예측기)가 스토크 유형과 영역 좌표를 예측한다.
• 스토크 유형에 대해 교차 엔트로피 손실, 영역 좌표에 대해 평균 제곱 오차를 사용하여 엔드 투 엔드로 모델을 훈련시킨다.

실험 결과

연구 질문

• RQ1 어떻게 순차적 예측 작업으로서의 배드민턴 스토크 예측을 효과적으로 모델링할 수 있으며, 이는 턴 기반 플레이와 다중 출력을 고려할 수 있는가?
• RQ2 라운드 진행 상황과 개인 선수 스타일은 정확한 스토크 예측에 얼마나 기여하는가? 그리고 어떻게 융합되어야 하는가?
• RQ3 위치 인식 attention은 스토크 예측에서 컨텍스트 종속성과 동적 중요도를 모델링하는 데 향상된 성능을 낼 수 있는가?
• RQ4 제안된 유형-영역-attention 메커니즘은 표준 self-attention에 비해 스토크 유형 및 위치 종속성을 얼마나 잘 포착하는가?
• RQ5 전반적인 예측 성능에 라운드 컨텍스트, 선수 컨텍스트, 융합 메커니즘의 상대 기여도는 어떠한가?

주요 결과

• ShuttleNet는 테스트 세트에서 교차 엔트로피 손실 1.9802, 평균 제곱 오차 1.5856, 평균 절대 오차 1.3802를 기록하여 모든 베이스라인을 능가하는 최신 기술 성능을 달성하였다.
• 제거 실험 결과, 라운드, 선수 A, 선수 B 중 어느 하나의 컨텍스트 입력도 제거할 경우 성능이 유의미하게 저하됨을 확인하여, 이들 입력이 상호 보완적인 역할을 한다는 것을 입증하였다.
• 위치 가중치가 없는 퓨전 네트워크(w/o β)는 성능 저하를 보이며, 이는 위치 인식이 동적 컨텍스트 가중치에 있어 핵심임을 시사한다.
• 표준 self-attention으로 유형-영역-attention 메커니즘을 대체할 경우, 교차 엔트로피 손실은 0.4% 증가, 평균 제곱 오차는 4.6% 증가, 평균 절대 오차는 3.4% 증가하여, TAA 메커니즘이 우월함을 입증한다.
• 모델은 스토크 유형 예측이 선수 스타일에 더 영향을 받고, 영역 예측은 라운드 진행 상황에 더 의존한다는 점을 효과적으로 포착하였다.
• 사례 연구를 통해 ShuttleNet는 선수 간 전략적 차이를 구분할 수 있었으며, 예를 들어 선수 A는 중앙 리턴을 선호하고, 선수 B/C는 스모시 후 네트 수준의 리턴을 선호한다는 점을 확인하였다.