事전 학습은 자세 추정의 영역 외 강건성을 향상시킵니다.

신경망은 자세 추정에 있어 매우 효과적인 도구입니다. 그러나 다른 컴퓨터 비전 작업과 마찬가지로, 도메인 외 데이터에 대한 강건성은 특히 실제 응용 프로그램에서 흔히 볼 수 있는 작은 학습 세트의 경우 여전히 과제입니다. 본 연구에서는 MobileNetV2s, ResNets, 그리고 EfficientNets라는 세 가지 아키텍처 클래스를 사용하여 자세 추정의 일반화 능력을 탐구하였습니다. 우리는 30마리의 말을 대상으로 한 데이터셋을 개발하여 "도메인 내"와 "도메인 외" (미见过의 말) 벤치마킹이 가능하도록 하였습니다. 이는 현재 인간 자세 추정 벤치마크에서 직접적으로 다루고 있지 않은 강건성을 검증하기 위한 중요한 테스트입니다. 우리는 ImageNet에서 더 우수한 성능을 보이는 아키텍처가 먼저 ImageNet에서 사전 학습된 경우 도메인 내 및 도메인 외 데이터 모두에서 더 나은 성능을 보임을 입증하였습니다. 또한, 더 우수한 ImageNet 모델이 동물 종 간에도 더 잘 일반화됨을 확인하였습니다. 더욱이, 우리는 자세 추정에 대한 일반적인 오염 요소를 벤치마킹하는 새로운 기준인 Horse-C를 소개하고, 사전 학습이 이러한 도메인 변화 상황에서도 성능 향상을 가져옴을 확인하였습니다. 총괄적으로, 우리의 결과는 전이 학습이 도메인 외 강건성에 유익하다는 것을 시사합니다.注释：在“미见过的 말”中，“见过”是中文词汇，正确的韩文翻译应该是“보지 못한”. 因此，修正后的句子如下：우리는 30마리의 말을 대상으로 한 데이터셋을 개발하여 "도메인 내"와 "도메인 외" (보지 못한 말) 벤치마킹이 가능하도록 하였습니다.