로봇 학습을 위한 휴먼 행동 데이터베이스 데이터 검증 및 분석
Validation and Analysis of Human Behavior Database Data for Robot Learning
0
조회
0
다운로드
3
인용
0
참고문헌
키워드
초록
소셜 로봇은 언어, 동작과 같은 사회적 행동으로 사람과 상호 작용하는 로봇을 말한다. 최근 소셜 로봇의 휴먼 행동 인식 연구는 활발히 진행되고 있다. 휴먼 행동 인식이란 로봇이 사람의 동작이나 움직임에 대해 인식하고 판단하는 것을 말한다. 소셜 로봇의 응용 분야는 휴먼 캐어, 서비스, 대화 상대 등 다양한 분야에 사용된다. 소셜 로봇의 휴먼 행동 인식 연구를 위해서는 실험 데이터 셋이 필요하다. 행동 인식용 데이터 셋은 주로 인간 로봇 상호작용을 위한 행동이나 일상 생활 행동들로 구성된다. 최근에는 데이터 공용 데이터 셋이 활발히 공개되고 있으며, 필요한 경우 인식에 필요한 행동을 개별적으로 데이터 셋을 구축하여 사용한다. 휴먼 인식을 위해 동영상 데이터 셋은 행동을 구간별로 구분하는 태깅을 수행한다. 최근 로봇의 휴먼 행동 인식을 위해 신경망 방법이 많이 사용되고 있다. 신경망 학습은 기본적으로 태깅이 정확하다는 가정하에 학습을 진행한다. 그러나 신경망 인식을 위해 사용되는 데이터 셋의 태깅 시점이 잘못되면 신경망 학습에 심각한 영향을 줄 수 있다. 기존의 연구에서는 태깅시 발생하는 문제점에 대해서 언급을하고 있지 않다. 본 논문에서는 태깅 데이터 분석을 통해 구축된 데이터베이스의 품질을 평가하고자 한다.
Abstract
A social robot is a robot that interacts with people through social actions such as language and gestures. Recently, research on human behavior recognition of social robots is being actively conducted. Human behavior recognition refers to a robot that recognizes and judges human motions and movements. The application fields of social robots are used in various fields such as human care, services, and conversation partners. An experimental data set is needed to study human behavior recognition of social robots. The data set for behavior recognition mainly consists of behaviors for human-robot interaction or daily life behaviors. Recently, public data sets are being actively disclosed, and if necessary, behaviors necessary for recognition are individually constructed and used. For human recognition, the video data set performs tagging that classifies actions into sections. Recently, neural network methods have been widely used to recognize human behavior of robots. Neural network learning basically proceeds under the assumption that tagging is correct. However, if the timing of tagging the dataset used for neural network recognition is wrong, it can seriously affect neural network learning. Existing studies do not mention the problems that occur during tagging. In this paper, we try to evaluate the quality of the database built through tagging data analysis.
참고문헌 (13)
- E. Kim, "Human activity recognition and pattern discovery", IEEE Pervasive Computing, 9(1), pp.48~53 (2010)
- C. Liming, "Activity Recognition in Pervasive Intelligent Environments, ch. 3", pp.1~31 (2011), Atlantis Press Pub
- J. Kim, "Deep learning-based vdeo analysis techniques", Communications of the Korean Institute of Information Scientists and Engineers, 33(9), pp.21~31 (2015)
- K. Andrej, "Large-scale video classification with vonvolutional neural networks", Proceedings of the IEEE conference on Computer Vision and Pattern Recognition (2014)
- D. H. Kim, "Establishment of the elderly daily behavior recognition data set for human cre robot", The Journal of Korea Robotics Society, pp.3~10 (2018)
- K. Will, "The kinetics human action video dataset", arXiv preprint arXiv:1705. 06950, ~ (2017)
- C. Heilbron, "Activitynet : A large- scale video benchmark for human activity under-standing", Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (2015)
- K. Will, "The kinetics human action video dataset", arXiv preprint arXiv:1705. 06950, ~ (2017)
- Z. Jing, "RGB-D-based action recognition Datasets : A Survey", Pattern Recognition, 60, pp.86~105 (2016)
- Han, Fei, "Space-time representation of people based on 3D skeletal data : A review", Computer Vision and Image Understanding, 158, pp.85~105 (2017)
- 송주연, "두들 로봇 서비스의 설계 및 구현", 한국지식정보기술학회 논문지, 15(6), pp.1033~1046 (2020), 한국지식정보기술학회[DOI]
- 이승익, "딥러닝 기반의 얼굴인증 시스템 설계 및 구현", 한국소프트웨어감정평가학회 논문지, 16(2), pp.63~68 (2020), 한국소프트웨어감정평가학회
- 이태균, "사용자 상호작용 기반의 시선 검출을 위한 비강압식 캘리브레이션", 한국소프트웨어감정평가학회 논문지, 16(1), pp.45~53 (2020), 한국소프트웨어감정평가학회[DOI]