적응형 특성 처리를 이용한 새로운 다중 모드 데이터셋에서의 강건한 인간 활동 인식

인간 활동 인식(HAR)은 지능형 이동, 스포츠 분석, 환경 지원 생활 및 인간-로봇 상호작용과 같은 다양한 신규 응용분야의 핵심 구성 요소입니다. 강력한 HAR을 통해 시스템은 더욱 인간 중심적이 되어, 훨씬 안전하고 공감적인 자율 시스템으로 발전할 수 있습니다. 딥 컨볼루션 신경망(CNNs)의 등장 이후 인간 자세 검출 분야는 큰 진보를 이루어왔지만, 최신 연구는 주로 단일 센서 모달리티, 특히 비디오에 집중되어 왔습니다. 그러나 안전이 중요한 응용분야에서는 견고한 운영을 위해 여러 센서 모달리티를 활용하는 것이 필수적입니다.본 논문에서는 실내에서 16명의 참가자가 수행한 9가지 실내 활동을 네 가지 종류의 센서로 캡처한 새로운 다중모달 센서 데이터셋을 소개합니다. 이 다중모달 데이터셋은 실내 응용분야와 자율 차량에서 일반적으로 사용되는 센서를 포함하며, 스포츠 분석, 의료 지원 및 실내 지능형 이동 등 HAR이 필요한 다양한 응용분야에서 활용될 수 있는 첫 번째 공개 데이터셋입니다.또한 본 논문에서는 다양한 머신 러닝 알고리즘에 적용할 수 있도록 데이터셋에서 적응형 특징 추출을 가능하게 하는 새로운 데이터 전처리 알고리즘을 제안합니다. 철저한 실험 평가를 통해 본 논문은 자세 인식에 대한 머신 러닝 접근 방식의 성능을 검토하고, 알고리즘의 견고성을 분석합니다. 새롭게 제시된 데이터셋의 RGB-Depth 데이터를 사용하여 HAR을 수행할 때, 딥 뉴럴 네트워크와 같은 머신 러닝 알고리즘이 모든 정적 및 동적 활동에 대한 분류 정확도에서 평균 96.8%까지 도달했습니다.