표제지
목차
ABSTRACT 9
제1장 서론 10
제1절 연구의 배경 및 필요성 10
제2절 논문 구성 13
제2장 배경 이론 및 관련 연구 14
제1절 3차원 객체 모델링 방법. 14
제2절 폐색에 강인한 모델링 방법. 16
제3장 제안하는 방법 19
제1절 제안하는 신경망의 구조 세부 사항 19
제2절 손실 함수 (Loss Function) 23
제4장 실험 결과 및 분석 27
제1절 벤치마크 데이터셋 (Benchmark Dataset) 27
제2절 학습 과정 (Training) 28
제3절 성능 평가 (Performance Evaluation) 28
제4절 구조 변화에 따른 비교 실험 36
제5절 제안하는 방법의 한계점 37
제5장 결론 39
참고문헌 40
국문초록 47
〈표 3-1〉 제안하는 방법에서 지도 생성과정의 상세 구조. Coord. Concat.은 좌표 값과의 연결을 의미한다. 21
〈표 4-1〉 3DPW 데이터셋에서의 정량적 성능 평가. (가장 높은 성능은 굵은 글씨로 표시) 29
〈표 4-2〉 Human3.6M 데이터셋에서의 정량적 성능 평가. (가장 높은 성능은 굵은 글씨로 표시) 29
〈표 4-3〉 Panoptic 데이터셋에서의 정량적 성능 평가. 데이터셋의 모든 하위 범주 단위에서 비교하였으며, 모든 값은 MPJPE이다.... 30
〈표 4-4〉 신경망의 구성 요소 변경에 따른 성능 분석. (가장 높은 성능은 굵은 글씨로 표시) 35
〈표 4-5〉 부분 분할 손실 함수(Lpart)의 적용에 따른 효과 분석. (가장 높은 성능은 굵은 글씨로 표시)[이미지참조] 36
〈그림 1-1〉 제안하는 방법에 의한 3차원 객체 모델링 결과 예시. 왼쪽에서 오른쪽으로 : (a) 입력 영상, (b) Kocabas 등의(2021) 모델링 결과, (c)... 11
〈그림 3-1〉 3차원 객체 모델링을 위한 제안하는 방법의 전체 구조. 20
〈그림 3-2〉 부분 주의 특징을 시각화한 몇 가지 예. 여기서 활성화된 부분을 파란색으로 시각화하였다. 22
〈그림 3-3〉 운동 연쇄 복원기를 통해 5번 관절(왼쪽 다리)의 매개변수를 복원하는 과정. (a) 기존 운동 연쇄 복원기(Wan 등, 2021).... 22
〈그림 4-1〉 CrowdPose(1-2행)와 3DPW(3-4행) 데이터셋에서의 3차원 객체 모델링 결과. 왼쪽에서 오른쪽으로: 입력 영상, (a) PARE(Kocabas... 31
〈그림 4-2〉 Human3.6M 데이터셋에서의 3차원 객체 모델링 결과. 왼쪽에서 오른쪽으로: 입력 영상, (a) PARE(Kocabas 등, 2021)의 결과,... 32
〈그림 4-3〉 Panoptic 데이터셋에서의 3차원 객체 모델링 결과. 왼쪽에서 오른쪽으로: 입력 영상, (a) PARE(Kocabas 등, 2021)의 결과, (b)... 33
〈그림 4-4〉 다양한 유형의 가려짐 현상에서의 모델링 결과. 왼쪽에서 오른쪽으로: 입력 영상, (a) PARE(Kocabas 등, 2021)의 결과, (b)... 33
〈그림 4-5〉 스마트폰으로 직접 촬영한 영상으로 객체를 모델링한 결과. 홀수 번째 줄: 입력 영상. 짝수 번째 줄: 3차원 모델링 결과. 34
〈그림 4-6〉 제안하는 방법을 이용하여 객체를 잘못 모델링한 예. 37