입력 벡터 정규화를 통한 딥 러닝 기반의 3D 제스처 인식(2)

기존 연구 문제점

---

기존 CNN을 활용한 제스처 인식은 문제가 있었다.

1. 이미지 생성을 위한 전처리와 컨볼루션 연산 비용이 너무 크다.
2. 제스처의 방향 인식 불가
3. 자유 공간에서 제스처 인식에 대한 어려움

아이디어 제안

---

이때 떠오른 아이디어는...!

입력 벡터를 단순히 1차원 신호(배열)이라고 생각하면 어떨까?
적은 가중치(weight)라도 빠르고 학습이 잘되는 예측 모델을 만들자!

연구 내용

---

1. 제스처 인식을 위한 전처리 방법 제안
2. 제스처 구성(훈련 데이터셋 구성)
3. 데이터에 맞는 적합한 예측 모델(DNN) 구축
4. 결과

1. 전처리 방법

---

결론적으로 전처리 과정에서 고려한건 스케일과 샘플링을 통한 입력 벡터의 간소화.

1-1. 위 전처리 과정을 정리한 수식

---

2. 제스처 데이터 구성(훈련 데이터셋 구성)

---

학습 데이터 4500개, 검증 데이터 1500개, 테스트 데이터 1500개 구축

3. 제스처 인식 모델(DNN) 구축

---

4. 결과

---

• 모델 인식률 99.6%
• 인식 속도 0.02 ~ 0.03초
• 제스처의 시작과 끝에 대한 모호성 문제

담지 않은 내용

---

• 제스처를 입력할 주 방향이 필요함 / 현재는 머리 기준 => 입력 벡터의 현재 보는 방향에 대한 상대 위치 변환

프로젝트 영상

---

Reference

---

채지훈. "입력 벡터 정규화를 통한 딥 러닝 기반의 3D 제스처 인식." 국내석사학위논문 계명대학교 대학원, 2018. 대구