선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 객체 특징 벡터를 이용하여 3D 게임 캐릭터를 속성에 따라 MT 와 NMT로 그룹핑하는 방법을 제시한다. 특징 벡터들은 캐릭터의 형태 정보와 텍스쳐 정보를 나타내며 가버 필터[6]를 이용하여 추출하고 K-NN[7]으로 그룹핑한다.
- 본 논문에서는 게임의 캐릭터들이 동일한 속성에 따라 그룹으로 형성되는 방법을 제안하였다. 제안된 방법을 통해서 추출한 객체 특징 벡터들이 캐릭터를 그룹핑 하는데 유용한 정보임을 알 수 있었다.
제안 방법
- 예를 들어 객체의 형태적 정보를 추출하기 위해 객체/비객체를 구분 하는 이진화 영상을 사용하는 경우 고주파 정보는 저주파 정보에 비해 중요하지 않다. 따라서 24차원의 특징 벡터를 그대로 이용하기 보다는 낮은 주파수 대역에 많은 가중치를 주어 특징 벡터의 거리를 계산한다. 유용성은 실험을 통하여 알아본다.
- 따라서 영상의 스케일과 방향에 따른 특징을 벡터로써 표현 할 수 있으며 이것은 영상의 텍스쳐 특징이나 형태적 특징으로 널리 사용되고 있다[8]. 본 논문에서 객체 영역의 형태적 특성을 나타내기 위해서 (그림 3) 와 같이 스케일 4개, 방향 6개 총 24개의 필터로 구성된 가버 필터 뱅크를 이용해서 하나의 영상에 대해서 24차원의 특징 벡터를 추출한다.
- e)는 MT와 NMT가 완전히 그룹화 되어 분리 되고 있음을 알 수 있다. 본 논문에서 제안한 방법을 (그림 8.f)과 같이 실제 게임에 적용해 보았다. 게임이 진행되는 동안 실제로 움직임이 없는 나무 또는 건물 등의 캐릭터들이 그룹화 되어 유저에게서 멀어지고 있는 모습을 나타내고 있다.
- 본 논문에서 제안한 방법을 실제 게임에 적용하기 전에 간단한 시뮬레이션(그림 8 (a)~(e))에 적용하여 보았다. 실험을 위하여 시뮬레이션은 windows2000 환경의 PC에서 Visual C++로 제작하였으며 시뮬레이션이 진행될 때 동일한 속성을 가진 캐릭터들이 그룹으로 형성되는 과정을 구현하였다.
- 본 논문에서는 저주파와 고주파간의 가중치를 달리 하기 위해서 (그림 4) 에서와 같이 24차원의 특징 벡터를 스케일에 따라 6차원 벡터 4개로 분할한다. 실제 거리 계산에는 식(1)에서처럼 동일한 스케일을 가지는 벡터들 간의 유클리디언 거리를 각각 계산하고 스케일에 따른 가중치를 달리 주어 가중 평균을 계산한다.
- 본 논문에서 제안한 방법을 실제 게임에 적용하기 전에 간단한 시뮬레이션(그림 8 (a)~(e))에 적용하여 보았다. 실험을 위하여 시뮬레이션은 windows2000 환경의 PC에서 Visual C++로 제작하였으며 시뮬레이션이 진행될 때 동일한 속성을 가진 캐릭터들이 그룹으로 형성되는 과정을 구현하였다. 실험의 편의성을 위하여 캐릭터는 움직임이 많은 속성을 가진 사람과 동물 (MT) 그리고 움직임이 거의 없는 속성의 건물 및 항아리(NMT) 등으로 한정하였다.
- 이러한 원인을 제거하기 위해 비객체 영역에 검정색 화소로 채운 후 객체와 비객체 간의 경계를 블러링 시킴으로써 고주파 성분을 제거 한다. 즉, 객체영상에서 객체의 형태적 정보를 어느 정도 배제한 내부 질감 정보를 추출하기 위해 객체의 경계부분을 블러링 하여 특징 벡터를 추출한 후 저주파와 고주파 간에 가중치를 달리 하여 특징 벡터간의 거리를 계산한다.
- 이러한 원인을 제거하기 위해 비객체 영역에 검정색 화소로 채운 후 객체와 비객체 간의 경계를 블러링 시킴으로써 고주파 성분을 제거 한다. 즉, 객체영상에서 객체의 형태적 정보를 어느 정도 배제한 내부 질감 정보를 추출하기 위해 객체의 경계부분을 블러링 하여 특징 벡터를 추출한 후 저주파와 고주파 간에 가중치를 달리 하여 특징 벡터간의 거리를 계산한다. 특징 벡터를 이용한 거리 계산에 사용되는 가중치는 실험에 의해 (w0,w1,w2,w3) = (0.
- 한편, 그룹 형성의 성능 평가를 위한 정확성 (precision) 및 소환성(recall) 을 계산하기 위해 객체들을 먼저 수동으로 분류하였다. 이는 본 논문에서 수동으로 분류되는 객체도 분류 단위로 사용하기 위함이다.
대상 데이터
- 실험을 위하여 시뮬레이션은 windows2000 환경의 PC에서 Visual C++로 제작하였으며 시뮬레이션이 진행될 때 동일한 속성을 가진 캐릭터들이 그룹으로 형성되는 과정을 구현하였다. 실험의 편의성을 위하여 캐릭터는 움직임이 많은 속성을 가진 사람과 동물 (MT) 그리고 움직임이 거의 없는 속성의 건물 및 항아리(NMT) 등으로 한정하였다.
성능/효과
- <표 3>은 테스트 영상 202개에 대하여 속성에 그룹핑 결과의 에러율을 보여주고 있다. 각각의 방법은 모두 85% 이상의 정확성을 보여주고 있으며 이는 비교적 간단한 그룹핑 방법에도 불구하고 그룹핑에 이용한 영상 특징이 NMT와 MT의 그룹핑에 매우 유용하다는 것을 보여준다. 또한 이들의 결과를 다수결의 원칙에 따라 최종적으로 그룹핑 할 경우 정확성이 상승하는 것을 볼 수 있다.
- 따라서 퓨리에 스펙트럼 역시 특정한 형태를 관찰 할 수 없다. 결론적으로 주파수 공간에서 보는 객체 내부의 텍스쳐 특성은 객체영상을 NMT와 MT로 그룹핑 하는데 유용한 정보이다.
- 이는 본 논문에서 수동으로 분류되는 객체도 분류 단위로 사용하기 위함이다. 따라서 NMT의 정확성은 제안된 방법으로 분류된 NMT가 수동으로 분류된 객체들에 비해 과잉 분류된 정도를 표현하는 반면 소환성은 부족하게 분류되는 정도를 반영한다. MT도 이와 동일한 방법으로 분류 정도를 나타내었다.
- 제안된 방법을 통해서 추출한 객체 특징 벡터들이 캐릭터를 그룹핑 하는데 유용한 정보임을 알 수 있었다. 또한 비교적 간단한 그룹핑 방법으로 높은 정확성을 가진다는 것을 알 수 있 었다. 본 연구의 향후 방향은 좀 더 다양한 게임 캐릭터를 이용하여 그룹핑 하였을 때 높은 정확성을 가지는 적절한 방법을 적용할 것이다.
- 각각의 방법은 모두 85% 이상의 정확성을 보여주고 있으며 이는 비교적 간단한 그룹핑 방법에도 불구하고 그룹핑에 이용한 영상 특징이 NMT와 MT의 그룹핑에 매우 유용하다는 것을 보여준다. 또한 이들의 결과를 다수결의 원칙에 따라 최종적으로 그룹핑 할 경우 정확성이 상승하는 것을 볼 수 있다.
- <표 2> 은 제안된 방법으로 텍스쳐 정보를 이용해서 테스트 영상 202개를 속성에 따라 그룹핑 할 때, 거리계산시 스케일의 가중치에 따른 그룹핑 정확성을 보여준다.
- 본 논문에서는 게임의 캐릭터들이 동일한 속성에 따라 그룹으로 형성되는 방법을 제안하였다. 제안된 방법을 통해서 추출한 객체 특징 벡터들이 캐릭터를 그룹핑 하는데 유용한 정보임을 알 수 있었다. 또한 비교적 간단한 그룹핑 방법으로 높은 정확성을 가진다는 것을 알 수 있 었다.
- TN 및 FP는 위와 같이 MT들의 그룹이다. 형태 정보와 텍스쳐 정보에 의해 분류된 NMT 및 MT의 각 그룹별 평균 정확성, 소환성 및 F-측정는 각각 0.89, 0.91, 0.87 (NMT) 그리고 0.93, 0.71, 0.86(MT)으로 나타났다. NMT의 recall 평균값이 정확성의평균값보다 높게 나타난 것은 유사한 속성을 가진 NMT들이 올바르게 그룹핑 되었음을 알 수 있다.
후속연구
- 이와 같은 속성들은 게임디자인에서 컨셉이 달라지며 보다 폭넓은 행동으로 게임의 전략이나 전술에 영향을 준다. 따라서 캐릭터를 움직이는 타켓(Moving Target, MT)과 움직임이 없는 타켓(Non Moving Target, NMT)으로 자동 그룹핑되어 게임이 진행 된다면 유저가 게임을 보다 효율적이고 전략적으로 실행 할 수 있는 기능을 제공하게 될 것이다. MT 캐릭터들은 사람 또는 동물들과 같이 대체적으로 행동성 객체로 분류되어 맡은 임무를 수행하는 속성의 그룹으로 형성될 것이며 물건, 도구, 건물 등과 같은 NMT 캐릭터들은 움직임이 거의 없어 유저를 위협하는 행동을 하지 않는다.
- 또한 비교적 간단한 그룹핑 방법으로 높은 정확성을 가진다는 것을 알 수 있 었다. 본 연구의 향후 방향은 좀 더 다양한 게임 캐릭터를 이용하여 그룹핑 하였을 때 높은 정확성을 가지는 적절한 방법을 적용할 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.