BEPRO Dev Team
비프로의 전술 피드 - 일반적인 모습 (EN)
자동화된 전술 피드를 개선한 방법 보기
2022. 10. 13.
이 기사는 전술적 관점의 이유, 그 생성, 그리고 우리가 BEPRO 생태계를 유리하게 활용하는 그 진화를 강조합니다.
축구 중계
우리가 화면상의 축구 경기를 생각할 때, 우리는 텔레비전 중계를 염두에 둡니다.
카메라는 사람이 조작하며, 우리가 궁극적으로 보게 되는 이미지는 프로덕션이 결정합니다.
하지만, 만약 전술적인 관점에서 게임을 보고 싶다면, 당신은 문제에 직면하게 됩니다: 카메라가 당신이 보는 것을 결정합니다.
비디오는 액션을 따라갑니다 — 그리고 누가 생각이나 했을까요 — 대부분 공이 있는 곳에서 벌어집니다. 하지만 전술 분석가처럼 경기를 관찰하려면, 단순히 공만 따라가서는 안 됩니다. 왜냐하면 공 위에서 일어나는 일은 전체 그림의 작은 부분일 뿐이기 때문입니다.
사실, 대부분의 경우 공과 적극적으로 상호작용하지 않는 20명 이상의 선수들이 경기장에 있습니다. 그들은 무엇을 하고 있나요? 그들은 어디로 움직이고 있나요? 그들은 어떤 위치나 지역을 차지하고 있나요? 사실, 이 선수들의 행동은 다음 움직임을 결정할 가능성이 높으므로, 공에 직접적으로 관련된 상황보다 더 중요한 경우가 많습니다.
파노라마 영상
TV 축구와 달리, 저희 카메라는 경기의 모든 순간을 포착합니다. 저희의 파노라마 비디오는 경기 전체 시간 동안 전체 경기장을 담습니다. 3D 비디오 플레이어는 사용자가 카메라 오퍼레이터가 되어 경기의 시야를 결정할 수 있도록 합니다 — 더 자세히 알아보세요 여기.
자동 전술 보기
카메라를 직접 조작하는 것은 재미있지만, 전반적인 게임 플레이에 완전히 집중할 수 없게 합니다. 바로 이 지점에서 저희의 AI 생성 전술 뷰가 활용됩니다.
자동 카메라 이동을 통해 사용자들은 필드 위의 모든 전술적 미묘함을 평가하면서 팀의 흥미진진한 액션을 따라갈 수 있습니다.
BEPRO의 전술 뷰는 가능한 한 많은 필드 플레이어가 카메라의 시야각에서 항상 볼 수 있도록 정의됩니다. 선수들을 제외하는 특정 예외, 예를 들어 골키퍼나 멀리 떨어진 선수들은, 전술 대형의 전체적인 시야를 잃지 않으면서 가능한 최상의 관점을 가능하게 합니다.
피치에서 뷰로
최종 결과로 전술 뷰가 어떻게 생성되는지에 대한 간략한 요약:
각 카메라의 비디오 스트림으로부터 파노라마 비디오를 생성합니다
AI 모델을 사용하여 객체 감지(플레이어 및 공) 수행
축적된 정보를 기반으로 최적의 뷰 위치를 결정합니다.
당사 플랫폼에서의 결과물 제시 및 다운로드용 비디오 제공
2번과 3번 요점은 전술적 관점을 만드는 데 가장 관련성이 높으므로, 이에 대해 더 자세히 살펴보겠습니다.
객체 탐지
카메라가 전체 파노라마(영상)의 이상적인 부분을 보여주려면, 필드에서 무슨 일이 일어나고 있는지 평가해야 하며, 그러기 위해서는 선수들과 공이 어디에 있는지 알아야 합니다. 이 정보를 얻기 위해 우리는 객체 감지 기술을 활용합니다.
위키백과의 첫 문장이 잘 요약하고 있습니다:
“객체 감지는 컴퓨터 비전 및 이미지 처리와 관련된 컴퓨터 기술로, 디지털 이미지와 비디오에서 특정 클래스(예: 사람, 건물 또는 자동차)의 의미 있는 객체 인스턴스를 감지하는 것을 다룹니다.“
하지만 이제 이것이 어떻게 작동하는지에 대한 의문이 남습니다. — 글쎄요, 짧게 (그리고 솔직히 부정확하게) 말하자면 답은 다음과 같습니다: 인공지능!
AI라는 약어는 오늘날 해결해야 할 거의 모든 문제에 대한 해결책으로 언급됩니다. 종종 불공평하게도 말이죠. 하지만 인정합시다: 인공지능이 무언가를 해결할 수 있다고 상상하는 것은 매력적입니다. 그러나 객체 감지는 AI, 더 정확히는 딥러닝이 지배하는 영역이 확실합니다.
우리는 맞춤 설계된 모델, 더 정확히는 컨볼루션 신경망(CNN)을 사용합니다. 이 모델은 수백만 개의 예시로 훈련되어 객체(여기서는 선수, 공 및 배경)를 식별합니다. 이를 위해 필요한 훈련 데이터는 방대한 양의 녹화된 비디오(현재 약 60,000시간)를 활용할 수 있습니다. 또한, 우리는 많은 데이터 세트를 보유하고 있을 뿐만 아니라, 시스템의 완전히 다른 위치와 사용자 덕분에 광범위한 다양성을 갖는다는 장점이 있습니다.
뷰 위치 확인
첫 번째 단계는 감지된 객체의 위치를 이미지 좌표계(비디오 이미지 내 위치)에서 월드 좌표계(경기장 내 위치)로 변환하는 것입니다. 필요한 계산은 경기장에 대한 카메라의 위치에서 도출될 수 있습니다. 경기장 내 객체의 위치가 결정된 후, 각 인스턴스는 감지 오류를 최소화하기 위해 일련의 필터링 단계를 거칩니다.
카메라의 실제 시야는 플레이어 및 공 위치 정보를 기반으로 하는 일련의 규칙과 작업에 의해 정의됩니다.
우리는 이러한 정의를 전술적 뷰 로직이라고 부릅니다.
로직은 그 다음 어떤 플레이어들이 관련이 있는지, 그리고 더 나은 카메라 시야를 위해 어떤 플레이어들을 제외할 수 있는지를 결정합니다. 이를 위해 식별된 플레이어들 간의 거리 또는 공까지의 거리, 그리고 공의 일반적인 위치와 같은 다양한 정보가 활용됩니다.
또한, 게임의 현재 상태를 평가하고 그에 따라 시점을 조정하기 위해 다양한 지표들이 계산됩니다. 논리의 마지막 단계는 수집된 정보를 사용하여 최적의 이미지 섹션을 결정하고 이를 끊김 없는 카메라 움직임으로 전환하는 것입니다.
버전 2.0 소개
택티컬 뷰의 첫 번째 버전은 꽤 오랫동안 사용되어 왔으며 꾸준한 업데이트를 받았습니다. 시간이 지남에 따라 많은 사소한 개선 사항과 버그 수정이 구현되었지만, 품질에서 큰 도약을 이루기 위해서는 때로는 백지 상태에서 시작하는 것이 가장 좋습니다. 그리고 그것이 바로 우리가 한 일입니다.
우리는 전술 보기의 구조와 또한 로직을 처음부터 재설계했습니다.
그러한 재설계에서 초기 목표는 원본 버전의 품질을 재현하는 것입니다. 하지만 동시에 우리는 모든 개별 라인을 면밀히 검토함으로써 코드의 효율성, 이해도 및 모듈성을 높이는 것을 목표로 합니다. 특정 수준의 모방에 도달한 후 다음 단계가 시작됩니다 — 학생은 스승이 됩니다.
기존 논리에 의문을 제기하는 것은 자주 완전히 새로운 접근 방식을 만들어내는데, 이 접근 방식들은 코드의 개선된 구조 덕분에 이제 빠르게 도입되고 테스트될 수 있습니다. 원본 버전과 비교하여, 다음은 개선되거나 개발된 몇 가지 주요 사항입니다:
더 빠른 카메라 응답 시간
빈 배경 감소를 위한 카메라 정렬 개선
최상의 시야를 확보할 수 있도록 선수들을 제외하는 새로운 방법
오탐지 방지를 위한 필터링 메커니즘의 효과성 강화
플레이어의 움직임을 기반으로 게임 플레이를 평가하는 새로운 기능
코너킥을 감지하고 포착하는 새로운 기능
득점 가능성이 있는 결정적인 상황을 식별하는 새로운 방법
평가 — BEPRO의 생태계 활용
이 기사의 결론 주제는 전술적 관점(Tactical View) 개발에서 가장 중요한 사항 중 하나인 품질 평가를 다룹니다. 이 문제를 명확히 하기 위해, 두 가지 사항을 먼저 확립해야 합니다:
이상적인 전술적 관점에 대한 보편적으로 유효한 정의는 없습니다
전술적 관점의 품질은 대부분 주관적입니다
이러한 사실들에 직면하여, 여러분은 아마 궁금해할 것입니다: 엄격하게 정의되지 않고 매우 주관적인 것을 어떻게 평가하고 개선할 수 있는지? 우리의 해결책은: 데이터!
우리가 AI가 객체를 식별하도록 훈련하는 데 사용하는 비디오에서 추출한 수백만 개의 예시들을 기억하십니까? 우리는 또한 올인원 생태계를 위해 게임에 대한 상세한 분석을 수행합니다.
우리는 분석된 이벤트 데이터를 사용하여 전술적 뷰의 주관적인 품질을 비교 가능한 숫자로 변환합니다.
이 데이터에서 가장 중요한 정보는 이벤트의 위치입니다. 각 동작을 경기장 위에서 정확히 참조함으로써, 우리는 해당 이벤트가 전술 뷰에서 보이는지 여부를 결정할 수 있습니다. 이것은 모든 개선의 기본 요구 사항이자 시작점입니다. 하지만 어떤 이벤트도 놓치지 않기 위해, 가상 카메라는 전체 경기장을 보여주는 것이 아니라 필요한 만큼만 보여주어야 합니다. 이를 위해 전술 뷰의 줌 레벨과 위치를 평가할 수 있습니다. 또한, 쾌적한 시청 경험을 제공하기 위해 카메라의 방향 전환 횟수는 가능한 한 낮게 유지되어야 합니다.
하지만, 초점과 카메라 움직임에 대한 실제 경험은 여전히 주관적이며 각 사용자마다 다르게 인식됩니다. 이것이 우리가 전술적 시야를 개선하기 위해 끊임없이 노력하는 이유입니다.
예시 장면
다음 비디오들은 자동 전술 보기 평가에 의해 감지된 개선된 상황의 클립들을 보여줍니다. 이전 버전은 왼쪽에 있고 새 버전은 오른쪽에 있습니다.
