탭페이스넷 : 생년월일 및 얼굴 이미지 분석을 활용한 멀티모달 데이터 기반 축구 선수 예측 모델링 = TabFaceNet : Multi-Modal Data Utilizing Birth Dates and Facial Image Analysis for Predictive Modeling of Soccer Players

국문 초록 (Abstract)

본 연구는 생년월일 데이터와 현대 얼굴 이미지 처리 기술을 결합하여 축구 선수의 잠재력을 판별 하는 새로운 방법을 실험적으로 탐색한다. 전통적인 데이터 분석 방법과 최신 이미지 인식 기술의 융합을 통해, 복잡한 데이터 패턴을 식별하고 축구 선수의 특성을 예측하고자 하였다. 본 논문에서 제안된 TabFaceNet 모델은 테이블 데이터와 이미지 데이터를 멀티모달 방식으로 통합함으로써 예측의 정확도를 높이는 것을 목표로 한다. K리그 축구 선수들과 일반인의 생년월일 데이터를 분석하고, 현대 이미지 처리 기술을 통해 선수들의 얼굴 이미지에서 중요한 특징을 추출하였다. 다양한 예측 모델을 비교 분석한 결과, 테이블 데이터에서는 로지스틱 회귀 모델이 AUC 0.719로 가장 높은 성능을 보였으며, 이미지 데이터에서는 EfficientNet-b7이 AUC 0.759로 가장 효과적인 것으로 나타났다. 멀티모달 접근법을 적용했을 때, EfficientNet-b7과 LightGBM을 결합한 모델이 AUC 0.892로 가장 우수한 성능을 나타내었다. 이러한 결과는 제안된 TabFaceNet 멀티모달 모델이 다른 방법들에 비해 성능이 우수함을 보여준다. 이 연구는 생년월일과 얼굴 이미지 분석의 결합을 통해 보다 깊이 있는 인사이트를 제공하며, 이 방법론 이 다양한 분야에서 응용될 가능성을 제시한다.

다국어 초록 (Multilingual Abstract)

This study explores a novel approach to discern the potential of soccer players by
integrating birth date data with modern facial image processing techniques. By fusing
traditional data analysis methods with contemporary image recognition technologies, the
study aims to identify complex data patterns and predict characteristics of soccer players.
The proposed TabFaceNet model in this paper integrates table data and image data in a
multi-modal fashion to enhance the accuracy of predictions.
The study analyzed birth date data of K-League soccer players and general individuals,
and important facial features were extracted from the players' images using modern image
processing technology. In a comparative analysis with various prediction models, logistic
regression showed the highest performance in table data with an AUC of 0.719, while
EfficientNet-b7 was the most effective for image data with an AUC of 0.759. When
applying a multi-modal approach, the model combining EfficientNet-b7 and LightGBM
exhibited superior performance with an AUC of 0.892. These results demonstrate that the
proposed TabFaceNet multi-modal model outperforms other methods. This research
provides deeper insights through the amalgamation of birth date and facial image analysis
and suggests the potential application of this methodology in various fields.

목차 (Table of Contents)

• 1. Introduction 1
• 2. Related Works · 4
• 2.1. Machine Learning and Statistical Methods in Soccer Player Prediction 4
• 2.2. Multi-modal deep learning 5
• 3. Dataset 7
• 3.1. Data Description 7
• 3.1.1. Tabular Data 7
• 3.1.2. Image Data 8
• 4. Methodology 9
• 4.1. Machine learning · 10
• 4.1.1. 로지스틱 회귀(Logistic Regression) 10
• 4.1.2. 랜덤 포레스트(Random Forest) 11
• 4.1.3. XGBoost (eXtreme Gradient Boosting) 12
• 4.1.4. LightGBM 14
• 4.1.5. CatBoost 15
• 4.2. Deep learning 17
• 4.2.1. Autoencoder 17
• 4.2.2. Resnet-50, Resnet-101 · 18
• 4.2.3. EfficientNet-B7 · 20
• 4.3. TabFaceNet: Proposed Multi-Modal Approach · 22
• 4.4. Data Preprocessing 24
• 4.5. Statistical Analysis and Model training · 24
• 4.6. Experimental Setup 25
• 4.7. Gradient-weighted Class Activation Mapping (Grad-CAM) · 26
• 4.8. Evaluation Metrics 26
• 5. Results 29
• 5.1. Performance analysis of Tabular Data and Image Data 28
• 5.2. TabFaceNet: Multi-Modal Results · 30
• 5.2.1. Feature Contributions in Multi-Modal Data 30
• 5.2.2. Performance analysis of Multi-Modal Data 32
• 6. Discussion · 36
• Reference 40