태그: #탁구

← 전체 글

• 영상-언어 모델은 왜 판정을 못 하나: 1초에 한 장, 초 단위 시각, 그리고 테니스 벤치마크

  영상을 보고 말로 설명하는 영상-언어 모델(VLM)에게 「이 랠리 누가 이겼어?」라고 물으면 안 될까요. 공식 문서에 따르면 Gemini 는 영상을 기본 1초에 한 장 뽑아 보고, 실시간 Live API 는 1초에 한 장이 상한이며, 시각은 MM:SS(초 단위)로 다룹니다. 60fps 한 프레임은 16.7ms, 서브의 두 바운드 간격은 0.4초 안팎이라 점수를 정하는 순간이 입력에 들어가지

  2026-10-13 · 8 분 읽기 #TT Score#탁구#영상-언어 모델#VLM#Gemini

• 탁구 데이터셋 직접 세어 보기: OpenTTGames, Extended, T3Set, TT Sounds, RacketVision, LATTE-MV

  TT Score 의 모든 숫자는 공개 데이터셋 위에서 나왔습니다. 받아 둔 여섯 데이터셋(과 BlurBall 학습 데이터)을 읽기 전용으로 직접 세어 규모, 해상도와 fps, 라벨 형식, 소리 유무, 라이선스를 표로 정리했습니다. OpenTTGames 의 이벤트 4,271개가 공식 숫자와 맞는다는 확인부터, 공 표식이 전체 프레임의 8.2% 에만 있다는 것, test7 의 「공 없음」 표식

  2026-10-13 · 20 분 읽기 #TT Score#탁구#데이터셋#라벨#라이선스

• 소리로 바운드 듣기: onset 검출과 표면 분류, 그리고 실제 녹음에서는 효과가 없었다는 기록

  테이블에 닿는 소리와 라켓에 맞는 소리는 사람 귀에도 다릅니다. 소리는 어둡거나 공이 가려져도 들리고, 시간 해상도는 영상 프레임(16.7ms)보다 훨씬 촘촘합니다. 짧은 소리의 시작을 찾는 onset 검출과, 15ms 조각으로 테이블·라켓·바닥을 가르는 표면 분류의 원리를 설명하고, 깨끗한 근접 녹음(TT Sounds)에서 테이블과 라켓을 99.3% 갈랐다는 실측을 적습니다. 그리고 영상과

  2026-10-13 · 12 분 읽기 #TT Score#탁구#소리#onset 검출#오디오 분류

• 이벤트와 심판: 궤적에서 바운드를 뽑고 규칙으로 점수를 매기기, 66.9% 에서 93.1% 까지

  공 좌표의 흐름에서 바운드·네트·아웃·랠리 끝을 뽑는 규칙과, 그 이벤트 순서로 승자를 정하는 심판 엔진을 코드와 함께 설명합니다. 심판은 「누가 쳤나」를 보지 않고 바운드 순서에서 추론합니다. 실제 경기 275랠리의 승자 정확도가 66.9% 에서 79.6%, 82.5%, 84.7%, 88.7%, 93.1% 로 오르는 동안 각 판이 무엇을 바꿨고 무엇을 대가로 치렀는지(확인 필요 85.8%

  2026-10-13 · 21 분 읽기 #TT Score#탁구#이벤트 검출#규칙 엔진#심판

• 자세와 라켓: RTMPose 의 SimCC, MediaPipe 의 두 단계, RacketVision 의 라켓 5점

  점수를 틀리게 만드는 가장 흔한 실수는 라켓에 맞는 순간을 테이블 바운드로 읽는 것입니다. 사람의 자세와 라켓을 보면 그 실수를 가를 수 있을까요. 좌표를 1D 분류 두 개로 푸는 RTMPose(SimCC), 사람 찾기와 따라가기를 나눈 MediaPipe Pose(BlazePose), 라켓을 상자와 다섯 점으로 표시한 RacketVision 의 원리를 정리하고, 각각을 어디에 쓰는지 적습니다

  2026-10-13 · 13 분 읽기 #TT Score#탁구#자세 추정#RTMPose#SimCC

• 탁구대 찾기: SAM 2.1, EfficientTAM, SAM 3 와 네 모서리에서 호모그래피까지

  공이 테이블 어느 쪽에 떨어졌는지 알려면 탁구대의 네 모서리가 필요합니다. 클릭 한 번을 프롬프트로 받는 분할 모델(SAM), 영상 프레임 사이를 메모리 어텐션으로 잇는 SAM 2, 그 메모리를 줄여 휴대폰을 노리는 EfficientTAM, 글자로 물체를 부르는 SAM 3 의 원리를 정리하고, 마스크에서 네 변의 직선을 다시 맞춰 모서리를 얻고 네 점 대응으로 화면을 테이블 평면(2.74m

  2026-10-13 · 21 분 읽기 #TT Score#탁구#분할#SAM 2#EfficientTAM

• 공 찾기: TrackNet 에서 WASB, BlurBall 까지 — 히트맵, 여러 프레임, 번짐의 가운데

  지름 4cm 의 빠르고 번진 공을 찾는 모델이 어떻게 발전했는지 TrackNet, TTNet, WASB, BlurBall 순서로 따라갑니다. 좌표 대신 히트맵을 그리는 이유, 연속 3프레임을 함께 넣는 이유, HRNet 이 해상도를 끝까지 지키는 이유, 번진 공의 끝이 아니라 가운데에 라벨을 다는 이유를 원 저장소와 우리 코드의 입력 텐서·출력 디코딩·후처리로 확인합니다. 실측으로는 Open

  2026-10-13 · 23 분 읽기 #TT Score#탁구#공 검출#히트맵#HRNet

• 휴대폰 영상에서 점수까지: TT Score 의 네 층과 시간 예산

  탁구대 옆에 세운 휴대폰 하나로 점수를 자동으로 매기는 TT Score 가 어떤 모델을 어떤 순서로 쓰는지 한 장의 지도로 보여 줍니다. 인식, 이벤트, 심판, 느린 확인의 네 층으로 나눈 이유, 60fps 에서 프레임당 16.7ms 라는 예산을 실제로 어떻게 쓰는지(공 찾기 창 하나 10.5ms, 규칙 엔진 0.12ms), 층 사이에 오가는 데이터의 모양, 그리고 2026-10-13 기준선

  2026-10-13 · 17 분 읽기 #TT Score#탁구#컴퓨터 비전#실시간 추론#시스템 설계