지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 조성인
- 발행연도
- 2023
- 저작권
- 동국대학교 논문은 저작권에 의해 보호받습니다.
이용수3
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
Since anthropometric landmarks (ALs) have important roles as reference points in anthropometric measurements, there have been demands for automatic methods that can detect their locations quickly and accurately. The three-dimensional (3D) human body shape has a complex structure consisting of several parts with different geometries. Therefore, the existing methods for detecting ALs generally use machine-learning approaches with handcrafted features. These methods require a sophisticated time-consuming feature extraction method. However, deep learning approaches do not require such time-consuming processes. They generally apply existing image-based deep learning methods by transforming 3D data into regular forms. However, they often lose the original information of the 3D shapes due to data deformation. To deal with these problems, we propose a novel deep learning method that can automatically detect ALs from the point cloud data of the human body without any deformation in the original data. Specifically, we adopted a coarse-to-fine approach. In the first global detection stage, the initial location of ALs was predicted from the whole-body. In the second local refinement stage, the whole-body was divided into several segments and models corresponding to each segment were individually trained to find a target AL. Our simple but effective method does not require pre-processing steps and is robust to whatever variations in human body data may occur during the scanning process, such as scanning pose variations. Consequently, we provided the lowest AL detection error compared to the benchmark methods and significantly reduced the inference time in AL detection.
목차
제1장 서론 1제1절 연구의 목적 1제2절 연구의 범위 및 방법 21. 연구의 범위 22. 연구의 방법 3제2장 연구에 관한 이론적 배경 5제1절 수제 특징 기반 인체측정학적 랜드마크 추출 기법 51. 표면 기술자 기반 랜드마크 추출 기법 52. 템플릿 정합 기반 랜드마크 추출 기법 7제2절 딥러닝 기반 인체측정학적 랜드마크 추출 기법 81. 국소 부위에서의 랜드마크 추출 기법 82. 전신에서의 랜드마크 추출 기법 10제3장 제안 방법 11제1절 지오데식 히트맵 설계 13제2절 Coarse-to-fine 랜드마크 추출 기법 151. 전역적 탐지 단계 152. 지역적 정제 단계 18제3절 모델 구조와 훈련 방법 211. 인공신경망 설계 212. 손실 함수 정의 22제4장 실험 결과 23제1절 실험 설정 231. 데이터 세트와 평가 방법 232. 구현 세부 사항 24제2절 실험 내용 251. 최신 기술과 제안 방법의 성능 비교 25제3절 절제 연구 271. 각 단계별 성능 비교 272. 히트맵 형태에 따른 성능 비교 303. 후보점 개수에 따른 성능 비교 314. 세그먼트 크기에 따른 성능 비교 31제5장 결론 33
최근 본 자료
댓글(0)
0