Golf Swing Analysis Integrating Human Joint Features and Ball Information|RISS 상세보기

다국어 초록 (Multilingual Abstract)

Recent advances in deep learning have led to more studies to enhance golfers’ shot precision. However, these existing studies have not quantitatively established the relationship between swing posture and ball trajectory, limiting their ability to provide golfers with the necessary insights for swing improvement. In this paper, we propose a new dataset called CaddieSet, which includes joint information and various ball information from a single shot. CaddieSet extracts joint information from a single swing video by segmenting it into eight swing phases using a computer vision-based approach. Furthermore, based on expert golf domain knowledge, we define 15 key metrics that influence a golf swing, enabling the interpretation of swing outcomes through swing-related features. Through experiments, we demonstrated the feasibility of CaddieSet for predicting ball trajectories using various benchmarks. In particular, we focus on interpretable models among several benchmarks and verify that swing feedback using our joint features is quantitatively consistent with established domain knowledge. This work is expected to offer new insight into golf swing analysis for both academia and the sports industry.

번역하기

국문 초록 (Abstract)

최근 딥러닝 기술이 발전하면서 골퍼의 샷 정확도를 높이기 위한 연구가 활발히 진행되고 있다. 하지만 기존 연구들은 스윙 자세와 볼 궤적 사이의 관계를 정량적으로 규명하지 못해, 골퍼들에게 실질적인 스윙 개선 방안을 제시하는 데 한계가 존재한다. 본 논문에서는 단일 샷에서 추출한 관절 정보와 다양한 볼 데이터를 포함하는 새로운 데이터셋인 CaddieSet을 제안한다. CaddieSet은 컴퓨터 비전 기반의 접근 방식을 통해 스윙 영상을 8개의 단계로 세분화하고, 각 단계에서 관절 정보를 추출한다. 그다음 골프 전문가의 도메인 지식을 바탕으로 스윙에 영향을 미치는 15가지 핵심 지표를 정의하여, 스윙 특징에 따른 결과를 해석할 수 있도록 한다. 다양한 벤치마크 모델을 활용한 실험을 통해 볼 궤적 예측에 있어 CaddieSet의 효용성을 입증한다. 특히 설명가능한 모델에 주목하여, 본 연구의 관절 특징을 활용한 스윙 피드백이 기존의 골프 도메인 지식과 정량적으로 일치함을 확인한다. 본 연구는 학계와 스포츠 산업 모두에 골프 스윙 분석을 위한 새로운 통찰을 제공할 것으로 기대한다.

번역하기

최근 딥러닝 기술이 발전하면서 골퍼의 샷 정확도를 높이기 위한 연구가 활발히 진행되고 있다. 하지만 기존 연구들은 스윙 자세와 볼 궤적 사이의 관계를 정량적으로 규명하지 못해, 골퍼...

목차 (Table of Contents)