초록
조인트 객체 자세 학습은 본질적으로 어려운 문제입니다. 이는 자세가 고차원적이지만 많은 구조적 제약 조건을 가지고 있기 때문입니다. 대부분의 기존 연구에서는 이러한 제약 조건을 모델링하지 않으며, 그들의 자세 추정이 기하학적으로 유효하다는 보장을 하지 않으므로, 원하는 경우 올바른 기하학을 복구하기 위해 후처리(post-processing)가 필요하며, 이는 번거롭고 비최적입니다. 본 연구에서는 일반적인 조인트 객체 자세 추정을 위한 딥 뉴럴 네트워크 학습에 운동학적 객체 모델을 직접 내장하는 방법을 제안합니다. 운동학 함수는 적절히 매개변수화된 객체 운동 변수 위에서 정의되며, 미분 가능하여 네트워크 훈련 시 경사 하강법(gradient descent) 기반 최적화에 사용될 수 있습니다. 객체의 기하학적 모델에 대한 사전 지식이 완전히 활용되며, 구조의 유효성이 보장됩니다. 우리는 장난감 예제와 3D 인간 자세 추정 문제에 대해 설득력 있는 실험 결과를 제시합니다. 후자 문제에 대해서는 Human3.6M 데이터셋에서 최신 성능(state-of-the-art)을 달성하였습니다.