AI 모델을 통한 실시간 스포츠 이미지의 유사 객체에 대한 오류인식 개선에 관한 연구 A Study on the Improvement in Error Recognition of Real-Time Sports Images by AI Model for Similar Objects원문보기
본 논문은 인공지능 모델의 하나인 YOLO 인식 모델 기반의 이미지 내 객체 인식을 위한 활용 환경에서, 딥러닝 네트워크를 통한 고속 이동 대상 객체 인식의 가능성 향상과 생활 속에서 쉽게 활용될 수 있도록 이차적인 정보의 가공을 통한 의미적 데이터 수집 방법을 연구한다. 전반부에서, 이동 대상 객체 인식 오류는 카메라의 프레임 속도와 대상 객체의 이동 속도 차이에서 발생하는 미인식과 대상 객체와 인접한 환경에서의 유사 객체의 존재로 인한 오인식으로 확인되었으며 이를 보상하는 데이터 수집 방법을 제안했다. 실제 유사 환경을 대표할 수 있는 스포츠 경기를 대상으로 획득된 이미지에서 오류의 원인 요소를 비전 처리 기술을 적용하여 해당 오류를 최소화하기 위한 방법과 처리 구조를 연구하여 유효한 이차적인 데이터 수집의 효과성을 향상시켰다. 테니스 경기 영상에서 공을 대상 객체로 인식하여 이동 경로를 육안으로 추적한 바운스 결과와 비교했을 때, 미인식 또는 오인식으로 수집된 데이터가 ...
본 논문은 인공지능 모델의 하나인 YOLO 인식 모델 기반의 이미지 내 객체 인식을 위한 활용 환경에서, 딥러닝 네트워크를 통한 고속 이동 대상 객체 인식의 가능성 향상과 생활 속에서 쉽게 활용될 수 있도록 이차적인 정보의 가공을 통한 의미적 데이터 수집 방법을 연구한다. 전반부에서, 이동 대상 객체 인식 오류는 카메라의 프레임 속도와 대상 객체의 이동 속도 차이에서 발생하는 미인식과 대상 객체와 인접한 환경에서의 유사 객체의 존재로 인한 오인식으로 확인되었으며 이를 보상하는 데이터 수집 방법을 제안했다. 실제 유사 환경을 대표할 수 있는 스포츠 경기를 대상으로 획득된 이미지에서 오류의 원인 요소를 비전 처리 기술을 적용하여 해당 오류를 최소화하기 위한 방법과 처리 구조를 연구하여 유효한 이차적인 데이터 수집의 효과성을 향상시켰다. 테니스 경기 영상에서 공을 대상 객체로 인식하여 이동 경로를 육안으로 추적한 바운스 결과와 비교했을 때, 미인식 또는 오인식으로 수집된 데이터가 AI 모델의 인식 결과에서 집계되어 바운스 판정에 유효했다. 따라서 본 연구에서는 일반인도 스마트폰 카메라의 간단한 촬영을 통해 스스로 건강관리 및 경기력 향상을 위해 스포츠 및 건강 관련 산업에 적용될 수 있는 데이터 수집 방법으로서 유용성을 확인하였다. 후반부 장에서는 일반적인 AI 인식 모델의 인식 오류를 분석하고 이의 한계를 넘어서는 구조 수정 및 객체 증강 AI 인식 모델을 제안한다. 본 모델은 실시간 축구 영상에서 유사한 형태와 특성을 가진 선수들이 중첩된 대상 지역에서 특정 선수, 곧 특정 대상 객체를 구분하는 객체 감지 기능이 있다. 이를 위해 본 논문에서는 학습 데이터 세트를 강화하고 객체 클래스를 보강하여 AI 인식 모델을 구현했다. 또한 일반적인 AI 인식 모델의 인식 오류 분석을 토대로 이 모델 구조를 수정하여 인식률을 증가시켰다. 곧, 일반적인 AI 인식 모델에 HSV 처리 모듈과 차별화된 클래스(겹친 선수 그룹) 학습을 적용하여 인식 오류를 줄였다. 동일한 실시간 축구 영상에 대해 일반 AI 모델과 제안한 AI 모델의 인식 오류 감소 성능을 비교하는 실험을 진행하였다. 실시간 및 다양한 환경에서 유사한 객체를 인식할 수 있도록 본 논문에서 제안한 AI 모델은 축구 경기 분석의 사례에서, 이전 인식 모델에 비해 유의미한 차이로 인식 오류를 줄일 수 있었다.
본 논문은 인공지능 모델의 하나인 YOLO 인식 모델 기반의 이미지 내 객체 인식을 위한 활용 환경에서, 딥러닝 네트워크를 통한 고속 이동 대상 객체 인식의 가능성 향상과 생활 속에서 쉽게 활용될 수 있도록 이차적인 정보의 가공을 통한 의미적 데이터 수집 방법을 연구한다. 전반부에서, 이동 대상 객체 인식 오류는 카메라의 프레임 속도와 대상 객체의 이동 속도 차이에서 발생하는 미인식과 대상 객체와 인접한 환경에서의 유사 객체의 존재로 인한 오인식으로 확인되었으며 이를 보상하는 데이터 수집 방법을 제안했다. 실제 유사 환경을 대표할 수 있는 스포츠 경기를 대상으로 획득된 이미지에서 오류의 원인 요소를 비전 처리 기술을 적용하여 해당 오류를 최소화하기 위한 방법과 처리 구조를 연구하여 유효한 이차적인 데이터 수집의 효과성을 향상시켰다. 테니스 경기 영상에서 공을 대상 객체로 인식하여 이동 경로를 육안으로 추적한 바운스 결과와 비교했을 때, 미인식 또는 오인식으로 수집된 데이터가 AI 모델의 인식 결과에서 집계되어 바운스 판정에 유효했다. 따라서 본 연구에서는 일반인도 스마트폰 카메라의 간단한 촬영을 통해 스스로 건강관리 및 경기력 향상을 위해 스포츠 및 건강 관련 산업에 적용될 수 있는 데이터 수집 방법으로서 유용성을 확인하였다. 후반부 장에서는 일반적인 AI 인식 모델의 인식 오류를 분석하고 이의 한계를 넘어서는 구조 수정 및 객체 증강 AI 인식 모델을 제안한다. 본 모델은 실시간 축구 영상에서 유사한 형태와 특성을 가진 선수들이 중첩된 대상 지역에서 특정 선수, 곧 특정 대상 객체를 구분하는 객체 감지 기능이 있다. 이를 위해 본 논문에서는 학습 데이터 세트를 강화하고 객체 클래스를 보강하여 AI 인식 모델을 구현했다. 또한 일반적인 AI 인식 모델의 인식 오류 분석을 토대로 이 모델 구조를 수정하여 인식률을 증가시켰다. 곧, 일반적인 AI 인식 모델에 HSV 처리 모듈과 차별화된 클래스(겹친 선수 그룹) 학습을 적용하여 인식 오류를 줄였다. 동일한 실시간 축구 영상에 대해 일반 AI 모델과 제안한 AI 모델의 인식 오류 감소 성능을 비교하는 실험을 진행하였다. 실시간 및 다양한 환경에서 유사한 객체를 인식할 수 있도록 본 논문에서 제안한 AI 모델은 축구 경기 분석의 사례에서, 이전 인식 모델에 비해 유의미한 차이로 인식 오류를 줄일 수 있었다.
This paper improves the possibility of recognizing fast-moving objects through a YOLO (You Only Look Once) deep learning model in an image recognition environment. In the first half, we study the method of collecting semantic data through secondary information processing. The moving ...
This paper improves the possibility of recognizing fast-moving objects through a YOLO (You Only Look Once) deep learning model in an image recognition environment. In the first half, we study the method of collecting semantic data through secondary information processing. The moving object recognition errors were identified as nonrecognition due to the difference between the camera's frame rate and the object movement speed, and misrecognition due to similar objects' presence in surrounding situations. We minimized the recognition errors, such as non-recognized and misrecognized objects through the proposed data collection method. And it applied vision processing technology for the causes of errors that may occur in images obtained from sports games that can represent real similar environments. The effectiveness of secondary data collection was improved by research on methods and processing structures. Therefore, by applying the data collection method proposed in this study, ordinary people can collect and manage data to improve their health and athletic performance in the sports and health industry through the smart phone camera' simple shooting. In the second half, we analyze the recognition error of the general AI recognition model and propose the structure-modified and object-augmented AI recognition model that goes beyond its limits. This model has object detection features that distinguish specific target objects in target areas where players overlapped with similar shapes and characteristics in real-time football images. We implemented the AI recognition model by reinforcing the training dataset and augmenting the object class. In addition, based on the analysis of recognition errors in general AI recognition models, this model structure was modified to increase the recognition rate. That is, recognition errors were decreased by applying the modules of HSV processing and differentiated classes (overlapped player groups) learning to the general AI recognition model. We compared and experimented with the recognition error-reducing performance through the general and the proposed model in the same real-time football images. In this paper, we proposed an AI recognition model to recognize similar objects in real-time in various environments. In the case of football game analysis, recognition errors were reduced with a significant difference compared to the general recognition mode
This paper improves the possibility of recognizing fast-moving objects through a YOLO (You Only Look Once) deep learning model in an image recognition environment. In the first half, we study the method of collecting semantic data through secondary information processing. The moving object recognition errors were identified as nonrecognition due to the difference between the camera's frame rate and the object movement speed, and misrecognition due to similar objects' presence in surrounding situations. We minimized the recognition errors, such as non-recognized and misrecognized objects through the proposed data collection method. And it applied vision processing technology for the causes of errors that may occur in images obtained from sports games that can represent real similar environments. The effectiveness of secondary data collection was improved by research on methods and processing structures. Therefore, by applying the data collection method proposed in this study, ordinary people can collect and manage data to improve their health and athletic performance in the sports and health industry through the smart phone camera' simple shooting. In the second half, we analyze the recognition error of the general AI recognition model and propose the structure-modified and object-augmented AI recognition model that goes beyond its limits. This model has object detection features that distinguish specific target objects in target areas where players overlapped with similar shapes and characteristics in real-time football images. We implemented the AI recognition model by reinforcing the training dataset and augmenting the object class. In addition, based on the analysis of recognition errors in general AI recognition models, this model structure was modified to increase the recognition rate. That is, recognition errors were decreased by applying the modules of HSV processing and differentiated classes (overlapped player groups) learning to the general AI recognition model. We compared and experimented with the recognition error-reducing performance through the general and the proposed model in the same real-time football images. In this paper, we proposed an AI recognition model to recognize similar objects in real-time in various environments. In the case of football game analysis, recognition errors were reduced with a significant difference compared to the general recognition mode
※ AI-Helper는 부적절한 답변을 할 수 있습니다.