Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

PoseSyn: Synthesizing Diverse 3D Pose Data from In-the-Wild 2D Data

Created by
  • Haebom
Category
Empty

저자

ChangHee Yang, Hyeonseop Song, Seokhun Choi, Seungwoo Lee, Jaechul Kim, Hoseok Do

개요

본 논문은 3D 자세 추정기의 일반화 성능을 향상시키기 위해, 값비싼 3D 어노테이션 없이 풍부한 2D 자세 데이터셋을 활용하는 새로운 데이터 합성 프레임워크인 PoseSyn을 제안합니다. PoseSyn은 어려운 자세를 식별하는 오류 추출 모듈(EEM)과 이러한 자세를 중심으로 동작 시퀀스를 합성하는 동작 합성 모듈(MSM)로 구성됩니다. 인체 애니메이션 모델을 활용하여 현실적인 3D 훈련 데이터를 생성함으로써, 다양한 배경, 폐색, 어려운 자세 및 다중 뷰 시나리오를 포함하는 실제 환경 벤치마크에서 다양한 3D 자세 추정기의 정확도를 최대 14%까지 향상시킵니다. 광범위한 실험을 통해 PoseSyn이 모델 크기나 설계에 관계없이, 값비싼 3D 어노테이션에 의존하지 않고 일반화 성능을 향상시키는 확장 가능하고 효과적인 방법임을 확인했습니다.

시사점, 한계점

•
시사점:
◦
값비싼 3D 어노테이션 없이 3D 자세 추정기의 일반화 성능을 향상시키는 효과적인 데이터 증강 방법 제시.
◦
다양한 배경, 폐색, 어려운 자세 및 다중 뷰 시나리오에서 3D 자세 추정 성능을 향상.
◦
모델 크기나 설계에 관계없이 적용 가능한 확장 가능한 방법.
◦
실제 환경 벤치마크에서 최대 14%의 정확도 향상을 달성.
•
한계점:
◦
제안된 방법의 성능 향상이 특정 벤치마크 및 3D 자세 추정기에 국한될 가능성.
◦
인체 애니메이션 모델의 정확도에 따라 합성 데이터의 품질이 영향을 받을 수 있음.
◦
EEM에서 어려운 자세를 정의하는 기준이 명확하게 제시되지 않음. (추정)
◦
합성된 데이터의 다양성에 대한 추가적인 분석 필요. (추정)
👍
Made with Slashpage