教電腦看羽球 - 台灣第一個結合AI與**的競賽

這個競賽與 @Tsao666、@Tianming8585 及 @ChenGuanz 共同參賽，後續由於時程考量放棄這個比賽

近年統計全球有約 22 億羽球人口，台灣則超過3百萬人，單項**全國普及度排名第二，且近年羽球選手在國際賽場上有十分突出的表現，國民關注度逐漸提升。

針對羽球技戰術分析，本團隊已提出比賽拍拍記錄格式並開發了電腦視覺輔助的快速拍拍標記程式，啟動羽球大數據的研究，雖然已使用許多電腦輔助的技巧，但人工進行拍拍標記依然需耗費人力及時間，尤其技術資料識別仍需具有羽球專業的人員來執行。透過本競賽期望能邀集具機器學習、影像處理及**科學專長的專家與高手，開發高辨識率的自動拍拍標記模型，讓巨量羽球情蒐成為可能，普及羽球技戰術分析的科研與應用。

議題提供單位：國立陽明交通大學資訊工程學系網路最佳化實驗室

獲獎條件：在 Private Leaderboard 競賽名次前 25%

議題進行時間以台灣時間（UTC+8 小時）為主，其時程如下:

• 2023/03/15 開放下載訓練資料集
• 2023/03/22 開放下載 Public 測試集及上傳答案，並公布 Public Leaderboard 成績
• 2023/05/09 開放下載 Private 測試集及上傳答案，並不公布 Private Leaderboard 成績
• 2023/05/16 比賽結束
• 2023/05/17 公布 Private Leaderboard 成績
• 2023/06/09 公布最終結果

單一比分影片視為 1 題，各別進行評分，每題總分 1 分。首先比對該比分影片的拍數，CSV 檔的一列視為一拍：若預測拍數與真值拍數不同，則該題以零分計；若拍數相同，獲得 0.1 分，並進入下一階段比對欄位內容，欄位內容得分最高 0.9 分。

若拍數正確，再依序拍拍對應進行評比，每拍分別按欄位合計分數，之後再將每拍的得分取平均，即為欄位內容得分。先查核擊球時間（HitFrame）欄位：若預測與真值誤差大於 2 幀，則該拍得 0 分，逕往下一拍評分；若預測與真值誤差不大於 2 幀，則給 0.1 分，並繼續比對該拍其他欄位。

其他評分項目

• 擊球員（Hitter）
• 擊球高度（BallHeight）
• 擊球方站位（HitterLocation）
• 防守方站位（DefenderLocation）
• 反手擊球（Backhand）
• 是否繞頭（RoundHead）
• 球種（BallType）
• 贏球方（Winner）

在這個比賽，我們將研究議題細分為以下項目

• 擊球拍數預測：判斷球員在影片的第幾個 Frame 進行擊球，這個任務全員皆有參與，我們分別嘗試以不同的影像 & 時間序列模型進行預測，但在 2 週內皆未得到足夠高的正確率
• 人體軀幹偵測：假設已經能夠正確預測擊球拍數，再來需要判斷擊球座標，而判斷擊球座標的前提是判斷持拍位置，故嘗試使用 MMPose 進行人體軀幹偵測，這個任務由我負責執行，實驗結果可以參考 src/pose-estimation 資料夾裡面的影像
• 座標轉換：由於要求的擊球座標是從 3D 空間映射至球場平面的 2D 座標，所以需要對 MMPose 回傳的結果進行轉換，這個任務由 @ChenGuanz 負責