Background: The growing need for objective and accurate evaluation in Taekwondo poomsae competitions has highlighted the limitations of subjective human judgment. Objectives: This study aims to develop an automated scoring framework using camera-based pose estimation and advanced neural networks to improve the consistency and accuracy of poomsae evaluation. Design: Comparative analysis of neural network architectures on a large-scale dataset of poomsae movements. Methods: A dataset of 902,306 labeled frames, captured from 48 participants performing 62 distinct movements using synchronized multi-view cameras, was analyzed. Five neural networks (HNN, 1D CNN, GCN, MLP, SANN) were implemented and evaluated using accuracy, precision, recall, and F1-score. Results: The HNN demonstrated superior performance with an F1-score of 0.78 in classifying Taekwondo poomsae postures. The 1D CNN followed with an F1-score of 0.76, while GCN, MLP, and SANN achieved F1-scores of 0.74, 0.70, and 0.66, respectively. The HNN's hierarchical feature extraction approach proved effective in capturing the complex spatial and temporal patterns inherent in poomsae movements. Conclusion: Hierarchical Neural Networks outperform other architectures in poomsae classification, establishing a foundation for objective and scalable scoring systems in competitive settings.

본 논문에서는 역전파학습에 의한 신경망기법을 사용하여 구조물의 미지계수를 추정하는 기법을 연구하였다. 대형구조물의 경우 계측 또는 추정하여야 하는 자유도의 수가 많으므로 인하여 구조계수를 추정하는 데에는 많은 어려움이 존재한다. 이러한 어려움을 극복하기 위하여 부구조추정법과 부행렬계수를 사용하여 추정하고자 하는 미지계수의 수를 효율적으로 줄일 수 있도록 하였다. 구조물의 고유주파수 및 모드형상 등의 모드계수를 신경망의 입력자료로 사용하였으며, 추정하고자 하는 부재의 부행렬계수를 신경방의 출력자료로 사용하였다. 입력자료로 사용되는 모드계수에 포함되어 있는 계측오차 및 신호처리오차의 영향을 줄이기 위하여, 신경망의 학습과정에서 노이즈를 첨가하는 기법을 사용하였다. 일반적인 형태의 자켓구조물을 대상으로 수치해석을 수행함으로써 제안기법의 대형구조계에 대한 적용성을 검증하였다.