Core Concepts
불연속적인 비디오 데이터로 인한 동작 인식 모델의 성능 저하 문제를 해결하기 위해 애니메이션 기반의 데이터 증강 기법을 제안한다.
Abstract
이 연구는 불연속적인 비디오 데이터로 인한 동작 인식 모델의 성능 저하 문제를 해결하기 위해 애니메이션 기반의 데이터 증강 기법을 제안한다.
불연속적인 비디오 데이터로 인해 동작 인식 모델의 성능이 크게 저하되는 문제와 기존 데이터 증강 기법의 한계를 확인한다.
4A(Action Animation-based Augmentation Approach)라는 새로운 데이터 증강 파이프라인을 제안한다. 이 방법은 불연속적인 비디오 데이터로부터 자연스럽고 부드러운 동작 표현을 생성한다.
실험 결과, 4A를 통해 원본 데이터의 10%만으로도 원본 데이터 전체를 사용한 것과 동등한 성능을 달성할 수 있었으며, 실제 환경의 비디오에서도 더 나은 성능을 보였다.
Stats
불연속적인 비디오 데이터로 학습한 경우 동작 인식 모델의 성능이 약 40% 하락하였다.
4A를 통해 생성된 데이터로 학습한 경우, 원본 데이터의 10%만으로도 원본 데이터 전체를 사용한 것과 동등한 성능을 달성할 수 있었다.
Quotes
"불연속적인 프레임으로 인해 동작의 의미 이해가 저하되어 동작 인식 작업이 취약해진다."
"4A는 불연속적인 비디오 데이터로부터 부드럽고 자연스러운 합성 동작 표현을 생성한다."