1차 시도

1. 데이터 라벨링 방식

1.1. 의사결정 사항

• 좌 우 로 구분 -> 그러므로 flip_idx 는 쓰지 않습니다.
  • 그 이유는
    • 말 그대로 이미지의 좌측에 쏠려 있으면 좌측 골대, 우측에 쏠려있으면 우측골대로 판단하도록 학습시키고 싶기 때문
• 구분 방식
  • 좌: 주황색
  • 중: 빨강색
  • 우: 하늘색

1.2. 장점

• 가로쪽에 카메라를 어디에 두건,
  • 라벨링 방식에 대한 규칙이 확실함
  • 네트워크 성능도 확실함
• 가로쪽에 2대 카메라를 두면, 같은 좌표계를 기준으로 네트워크 output을 출력

1.3. 단점

• 세로쪽에 카메라를 놓을 수 없다.
  • 라벨링 방식 및 학습 일관성을 확보할 수 없음
• 카메라 2대가 가로축 반대편에 있을 경우, 축을 맞춰줘야 한다.
  • 자동으로 맞춰줄 수 있을 것 같음

2. 데이터 구성 방식

• 풋살장 밖 landmark를 통해 좌우를 구분하지 못하도록,
  • 밖이 보이지 않는 데이터들도 확보해서 학습시킨다.
  • 반대편 축에서 찍은 카메라 데이터도 학습에 포함시킨다.
• 세로쪽에서 찍은 데이터는 사용하지 않는다.

2. 1차 방식 회고

2.2. 점 위치 이상한 부분 파악

2.2.0. 위치 아예 틀린 점

• 8, 10

2.2.0. 위치 많이 부정확한 점

2.2.1. 위치 좀 부정확한 점

• 7, 11, 12, 13, 5

2.2.2. 위치 잘된 점

2.2.1.

2.3. 나조차도 파악하기 힘든 keypoint 위치를 데이터셋에 넣어도 될까?

• 안된다. 나도 정답을 모르는데, 그걸 믿고 쓸 순 없다.
• 대신 noise를 주는 방식으로 해결하자.

2.4. 멀리 있는 점도 꼭 추출해야할까?

• 하자
• 이유
  • 어떤 상황에서도 BEV map을 만드는것이 목표이기 떄문
  • 예를 들어, 촬영 중 카메라가 흔들려서, 위치가 바뀌었다. -> 그 경우에도 BEV map을 만들고 싶어서

2.5. 데이터가 부족하면?