Earticle

단일 영상에서의 깊이 추정은 컴퓨터 비전 분야에서 지속적으로 연구되어 오고 있는 분야이다. 그러나 상용화된 깊 이 지각 카메라로부터 획득한 실내 영상의 깊이 맵은 여전히 부족한 정밀도와 상당한 노이즈를 포함하고 있다. 특 히, 지도 학습 기반 깊이 추정 기법들의 성능은 정답 (ground-truth) 깊이 맵의 정밀도에 크게 영향을 받기 때문에 깊이 이미지의 품질 개선이 크게 요구된다. 본 논문에서는 개선된 실내 환경 RGB-Depth 데이터 셋을 통해 지도 학습 기반의 깊이 추정 기법들의 성능을 향상하는 방법을 제안한다. 실험을 통해 향상된 품질의 데이터 셋을 사용하 여 단순한 네트워크 구조만으로도 최신의 방법들에 준하는 성능을 보였다. 또한, 기존의 데이터 셋과 제안하는 데이 터 셋으로 각각 학습 시켰을 때 성능 향상을 보임으로써, 정답 데이터의 품질이 깊이 추정 성능에 주요한 역할을 수 행한다는 것을 입증하였다.

Depth estimation from a single image is one of the fundamental task in computer vision. However, the depth images from the consumer-level depth camera still suffer from heavy noise and inaccurate qualities. Owing to the performances of supervised methods are fundamentally affected by the quality of the depth ground-truth (GT), constructing enhanced depth dataset is urged to improve the performances. In this study, we propose a framework to improve the performances of the supervised depth estimation methods based on a depth enhancement scheme. We trained the dataset on a baseline-level network, and performed comparable results with the state-of-the-art methods. Furthermore, the methods were retrained using the original and the enhanced dataset separately, and verified that the quality of GT dataset has primary role for the performance.

3D 사람 자세 추정 기술은 다양한 응용 분야에서의 높은 활용성으로 인해 대량의 학습 데이터가 수집되어 딥러닝 모델 연구가 진행되어 온 반면, 동물 자세 추정의 경우 3D 동물 데이터의 부족으로 인해 관련 연구는 극히 미진하다. 본 연구는 동물 자세 추정을 위한 예비연구로서, 3D 학습 데이터가 없는 상황에서 단일 이미지로부터 3D 사람 자세를 추정하는 딥러닝 기법을 제안한다. 이를 위하여 사전 훈련된 다중 시점 학습모델을 사용하여 2D 자세 데이터로부터 가상의 다중 시점 데이터를 생성하여 훈련하는 연역적 학습 기반 교사-학생 모델을 구성하였다. 또한, 키포인트 깊이 정보 대신 2D 이미지로부터 레이블링 된 순서 깊이 정보에 기반한 손실함수를 적용하였다. 제안된 모델이 동물데이터에서 적용 가능한지 평가하기 위해 실험은 사람 데이터를 사용하여 이루어졌다. 실험 결과는 제안된 방법이 기존 단안 이미지 기반 모델보다 3D 자세 추정의 성능을 개선함을 보여준다.