Annual Conference of KIPS (한국정보처리학회:학술대회논문집)

  • 2025.05a
  • /
  • Pages.486-489
  • /
  • 2025
  • /
  • 2005-0011(pISSN)
  • /
  • 2671-7298(eISSN)
Korea Information Processing Society (한국정보처리학회)
권호 표지
DOI QR코드

DOI QR Code

Refining Activation Outputs of Pose Estimation based on Data Assimilation with Unscented Adaptive Kalman Filter

무향 적응성 칼만 필터를 이용한 데이터 동화 접근 기반 자세 추정 활성화 출력의 정제 방법

  • Jinmo Yang (Department of Software and Communications Engineering) ;
  • Dong-Young Yoo (Department of Software and Communications Engineering) ;
  • R. Young Chul Kim (Department of Software and Communications Engineering)
  • 양진모 (홍익대학교 소프트웨어융합학과) ;
  • 유동영 (홍익대학교 소프트웨어융합학과) ;
  • 김영철 (홍익대학교 소프트웨어융합학과)
  • Published : 2025.05.29
Download PDF
⟨ Previous Next ⟩

Abstract

최근 대규모 언어 모델(LLM)을 포함한 인공지능 기반의 서비스가 대두되고 있다. 하지만 전통적인 통계학적 방법이 수학이나 수치 데이터 처리에 있어서는 여전히 강점을 가진다. 본 연구는 무향 칼만 필터를 적응성 방식으로 사용해서 자세 추정(pose estimation)의 정확도 성능을 높이기 위한 방법을 제안한다. 특히 매 시점마다 자세 추정 모델의 추정 신뢰도 정보를 측정 공분산 행렬에 반영하여 필터의 적응성을 확보했다. 또한 이 방법은 자세 추정 모델의 중간 단계와 최종 단계에서 자세 추정의 불확실성을 감소시키고자 했다. 적용 사례로, 낙상 감지에서는 0.933의 F1-Score를 기록했다. 향후 적응성을 측정 외 기타 영역으로 확장시키고, 범용적인 적용을 위해 필터 기반의 복합 모델의 성능을 면밀히 검토하고자 한다.

Keywords

Acknowledgement

본 연구는 2025년도 문화체육 관광부의 재원으로 한국콘텐츠진흥원(과제명: 인공지능 기반 대화형 멀티 모달 인터렉티브 스토리텔링 3D장면 저작 기술 개발, 과제번호: RS-2023-00227917, 기여율:100%) 지원과 한국연구재단의 4단계 두뇌한국21사업(과제명: 초분산 자율 컴퓨팅 서비스 기술 연구팀, 과제번호: 202003520005)의 지원을 받아 수행된 연구임.

References

  1. 김유성, 김준삼, 이호용, 김상온. "퀵패스 AI 프롬프트 활용능력 2급". 퀵패스. 2024.
  2. B. Zhang, C. Li, and K. Fan, "MARIO Eval:Evaluate Your Math LLM with your Math LLM—A mathematical dataset evaluation toolkit," arXiv, pp. 1-9, 2024.
  3. C. Wang, H. Dai, W. Yang, and X. Yue, "High-efficiency unscented Kalman filter formulti-target trajectory estimation," AerospaceScience and Technology, vol. 159, no. 109962, pp. 1-12, 2025.
  4. N. Shlezinger et al., "AI-Aided Kalman Filters," arXiv, pp. 1-40, 2025.
  5. A. Raza, M. Yousaf, W. Ahmad, S. Velastin, and S. Viriri, "Human fall detection using pose estimation: From traditional machine learning to vision transformers," Engineering Applications of Artificial Intelligence, vol. 143, no. 109809, pp. 1-18, 2025.
  6. C. Zheng et al., "Deep learning-based human pose estimation: A survey," arXiv, pp. 1-37, 2023. W. Chang, C. Hsu, and L. Chen, "A Pose Estimation-based Fall Detection Methodology Using Artificial Intelligence Edge Computing," IEEE Access, vol. 9, pp. 129965-119976, 2021.
  7. J. Nascimento, A. Abrantes, and J. Marques, "An algorithm for centroid-based tracking of moving objects," in Proc. IEEE Int. Conf. Acoust., Speech, Signal Process, Phoenix, AZ., USA, 1999, pp. 3305-3308.
  8. J. Mochnac, S. Marchevsky, and P. Kocan, "Bayesian filtering techniques: Kalman and extended kalman filter basics," in 1009 19th Int. Conf. Radioelektronika, pp. 119-122.
  9. C. Buizza, T. Fischer, and Y. Demiris, "Real-time multi-person pose tracking using data assimilation," in Proc. IEEE/CVF Winter Conf. on Appl. Of Computer Vision, 2020, pp. 438-447.
  10. M. Andriluka et al., "Posetrack: A benchmark for human pose estimation and tracking," in Proc. IEEE conf. on Computer Vision and Pattern Recognition, 2018. Pp. 5167-5176. 
  11. D.Osokin,"Real-time3dmulti-personposeestimati ondemo,"GitHub,Online,https://github.com/Daniil-Osokin/lightweight-human-pose-estimation-3d-demo.pytorch,AccessedApril10,2025.
  12. R. Labbe Jr., Kalman and Bayesian Filters in Python, GitHub, https://github.com/rlabbe/Kalman-and-Bayesian-Filters-in-Python/tree/master, Online, 2015. Accessed April 10, 2025.
  13. J. Yang and R. Kim, "Simple Single-Person Fall Detection Model Using 3D Pose Estimation Mechanisms," IEEE Access, vol. 12, pp. 174640-174653, 2024.
  14. J. Yang, Y. Jin, and R. Kim, "Multi-Person Fall Detection Using Data Assimilation Method with Kalman Filter," submitted for publication, 2025.
  15. J. Hu, Z. Wang, H. Gao, and L. Stergioulas, "Extended Kalman filtering with stochasticnonlinearities and multiple missing measurements,"Automatica, vol. 48, issue 9, pp. 2007-2015, 2012.
  16. D. Mehta et al., "Single-Shot Multi-Person3D Pose Estimation From Monocular RGB," arXiv, pp. 1-16, 2018.
  17. J. Yang, "Fall detection dataset for SFDM," IEEE Dataport, 2024.
  18. W. Chang, C. Hsu, and L. Chen, "A poseestimation-based fall detection methodology usingartificial intelligence edge computing," IEEEAccess, vol. 9, pp. 129965-129976, 2021.
  19. Y. Wang and T. Deng, "Enhancing elderlycare: Efficient and reliable real-time fall detectionalgorithm," Digit HEALTH, vol. 10, pp. 1-11, Feb. 2024.
  20. L. Wu et al., "Video-based fall detectionusing human pose and constrained generativeadversarial network," IEEE Trans. Circuits Syst. Video Technol., vol. 34, no. 4, pp. 2179-2194, Apr. 2024.
  21. A. Osigbesan et al., "Vision-based falldetection in aircraft maintenance environment withpose estimation," in Proc. IEEE Int. Conf. Mulsisensor Fusion Integr. Intell. Syst. (MF I), Sep. 2022, pp. 1-6.
  22. C. Zampino et al., "Fall detection usingNAOrobot pose estimation in RoboCup SPL matches,"in Proc. 9th Italian Workshop Artif. Intell. Robotics (AIRO), Udine, Italy, 2022. pp. 88-95.