$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

[국내논문] 자동 팔 영역 분할과 배경 이미지 합성
Automatic Arm Region Segmentation and Background Image Composition 원문보기

디지털콘텐츠학회 논문지 = Journal of Digital Contents Society, v.18 no.8, 2017년, pp.1509 - 1516  

김동현 (경상대학교 컴퓨터과학과, 대학원 문화융복합학과) ,  박세훈 (경상대학교 컴퓨터과학과, 대학원 문화융복합학과) ,  서영건 (경상대학교 컴퓨터과학과, 대학원 문화융복합학과)

초록
AI-Helper 아이콘AI-Helper

일인칭 관점의 훈련 시스템에서, 사용자는 실제적인 경험을 필요로 하는데, 이런 실제적인 경험을 제공하기 위하여 가상의 이미지 또는 실제의 이미지를 동시에 제공해야 한다. 이를 위해 본 논문에서는 자동적으로 사람의 팔을 분할하는 것과 이미지 합성 방법을 제안한다. 제안 방법은 팔 분할 부분과 이미지 합성 부분으로 구성된다. 팔 분할은 임의의 이미지들을 입력으로 받아서 팔을 분할하고 알파 매트(alpha matte)를 출력한다. 이는 종단 간 학습이 가능한데 이 부분에서 우리는 FCN(Fully Convolutional Network)을 활용했기 때문이다. 이미지 합성부분은 팔 분할의 결과와 길과 건물 같은 다른 이미지와의 이미지 조합을 만들어 낸다. 팔 분할 부분에서 네트워크를 훈련시키기 위하여, 훈련 데이터는 전체 비디오 중에서 팔의 이미지를 잘라내어 사용하였다.

Abstract ▼ AI-Helper 아이콘AI-Helper

In first-person perspective training system, the users needs realistic experience. For providing this experience, the system should offer the users virtual and real images at the same time. We propose an automatic a persons's arm segmentation and image composition method. It consists of arm segmenta...

Keyword

#팔 영역   #팔 분할   #배경 합성  

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

제안 방법

  • In this paper, we propose a fully automatic segmentation method for application to aircraft pilot training simulation. It takes a cockpit image as input and makes a score map as output.

대상 데이터

  • 201 sec. Testing images are 13 images of our dataset. Each test image has also same size with a train image.

이론/모형

  • 1. It consists of FCN based on VGG16 and matting method. VGG16 network consists of 13 convolution layers, 5 pooling layers, and fully connected network.
본문요약 정보가 도움이 되었나요?

참고문헌 (20)

  1. M. Cha et al, "A virtual reality based fire training simulator integrated with fire dynamics data", Fire Safety Journal, Vol. 50, pp. 12-24, 2012. 

    상세보기 crossref

  2. Q. Kennedy et al, "Age and Expertise Effects in Aviation Decision Making and Flight Control in a Flight Simulator", Aviation, Space, and Environmental Medicine, Vol. 81, No. 5, pp. 489-497, 2010. 

    상세보기 crossref

  3. P. Backlund et al, "Games for traffic education: An experimental study of a game-based driving simulator", Simulation & Gaming, Vol. 41, No. 2, pp. 145-169, 2010. 

    상세보기 crossref

  4. P. Salamin et al, "Quantifying effects of exposure to the third and first-person perspectives in virtual-reality-based training", IEEE Transactions on Learning Technologies, Vol. 3, No. 3, pp. 272-276, 2010. 

    상세보기 crossref

  5. F. S. Dean, P. Garrity and C. B. Stapleton, "Mixed reality: A tool for integrating live, virtual and constructive domains to support training transformation", The Interservice/Industry Training, Simulation and Education Conference (I/ITSEC), 2004. 

  6. A. Levin, D. Lischinski and Y. Weiss, "A closed-form solution to natural image matting", IEEE Trans. Pattern Anal. Mach. Intell., Vol. 30, No. 2, pp. 228-242, 2008. 

    상세보기 crossref

  7. Q. Chen, D. Li and C. Tang, "KNN matting", IEEE Trans. Pattern Anal. Mach. Intell., Vol. 35, No. 9, pp. 2175-2188, 2013. 

    상세보기 crossref

  8. D. Cho, Y. Tai and I. Kweon, "Natural image matting using deep convolutional neural networks", European Conference on Computer Vision, pp. 626-643, 2016. 

  9. N. Xu et al, "Deep Image Matting", Available: http://arxiv.org/abs/1703.03872, 2017. 

  10. X. Shen et al, "Automatic Portrait Segmentation for Image Stylization", Computer Graphics Forum, Vol. 35, No. 2, pp. 93-102, 2016. 

    상세보기 crossref

  11. X. Shen et al, "Deep automatic portrait matting," European Conference on Computer Vision, pp. 92-107, 2016. 

  12. A. Krizhevsky, I. Sutskever and G. E. Hinton, "Imagenet classification with deep convolutional neural networks", Advances in Neural Information Processing Systems, pp. 1097-1105, 2012. 

  13. K. Simonyan and A. Zisserman, "Very Deep Convolutional Networks for Large-Scale Image Recognition", 2014. 

  14. J. Long, E. Shelhamer and T. Darrell, "Fully convolutional networks for semantic segmentation", Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 3431-3440, 2015. 

  15. H. Noh, S. Hong and B. Han, "Learning deconvolution network for semantic segmentation", Proceedings of the IEEE International Conference on Computer Vision, pp. 1520-1528, 2015. 

  16. J. Redmon et al, "You only look once: Unified, real-time object detection", Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 779-788, 2016. 

  17. Y. Lecun et al, "Gradient-based learning applied to document recognition", Jproc, Vol. 86, No. 11, pp. 2278-2324, 1998. 

  18. S. Jang and H. Jang, "Training Artificial Neural Networks and Convolutional Neural Networks Using WFSO Algorithm", Journal of Digital Contents Society, Vol. 18, No. 5, pp. 969-976, 2017. 

  19. D. P. Kingma and J. Ba, "Adam: A Method for Stochastic Optimization", 2014. 

  20. M. Abadi et al, "TensorFlow: Large-Scale Machine Learning on Heterogeneous Distributed Systems", 2016. 

저자의 다른 논문 :

LOADING...

활용도 분석정보

상세보기
다운로드
내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

유발과제정보 저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로