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
- 박범용
- 발행연도
- 2023
- 저작권
- 금오공과대학교 논문은 저작권에 의해 보호받습니다.
이용수9
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
손동작은 의사소통을 위해 사용하는 기본적인 요소로 HRI(Human Robot Interaction)분야에서 로봇에게 인간의 의도를 전달하려는 방법으로 사용된다. 손 동작은 정적 손동작, 동적 손동작으로 분류되며 이 중 동적 손동작을 분류하는 방법으로 CRNN(Convolutional Recurrent Neural Network) 딥러닝 모델이 활발하게 사용되고 있다. CRNN 모델은 합성곱 신경망의 특징 추출 능력, 순환 신경망의 시계열 데이터 처리능력을 결합한 모델이다. 본 논문에서는 CRNN 모델의 구조에 따라 CNN-LSTM, CNN-BLSTM, 3D-CNN-BLSTM 세 가지 모델을 구성하고 실험을 통해 동적 손동작 분류에 가장 적합한 모델을 판단한다. 그리고 손 골격 이미지를 학습 데이터로 사용하면 범용적인 모델 생성이 가능한지 실험을 진행한다. 세 모델의 정확도, 파라미터 수를 비교한 결과 3D-CNN-LSTM 모델이 가장 적합하다 판단된다. 또한 손 골격 이미지를 학습 데이터로 사용 시 학습 데이터 수집 참가 여부에 상관없이 모두 높은 정확도를 보였다. 이를 통해 손 골격 이미지를 이용할 경우 범용적인 모델 학습이 가능하다는 걸 알 수 있다.
목차
제 1 장 서 론 11.1 연구 배경 및 내용 11.2 딥러닝 모델을 이용한 손동작 인식 연구 21.3 논문 구성 3제 2 장 CRNN(Convolutional Recurrent Neural Network) 딥러닝 모델 분석 42.1 합성곱 신경망 42.1.1 합성곱 층 42.1.2 활성화 함수 62.1.3 풀링 층 72.1.4 완전 연결 층 82.2 3차원 합성곱 신경망 82.3 순환 신경망 92.3.1 LSTM(Long Short-Term Memory) 112.3.2 BLSTM(Bidirectional Lonterm Short-Term Memory) 122.4 CRNN 모델 분석 및 제안 12제 3 장 CRNN 딥러닝 모델을 이용한 동적 손동작 분류 실험 163.1 실험 환경 163.1.1 학습 및 실험 조건 163.1.2 학습 데이터 세트 183.2 모델 학습 결과 및 분석 193.3 실험 결과 및 분석 223.4 활용 방안 25제 4 장 결 론 27[참고 문헌] 28[부록] 30
최근 본 자료
댓글(0)
0