Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
SMPL 스켈레톤 데이터와 Laban Movement Analysis(LMA) 기술자를 활용하여 3D 가상 환경 내 암시적 동작을 탐지하는 연구를 제시합니다. 4단계 동작 분류 파이프라인을 통해 SFW/NSFW 이진 분류에서 78.7%의 정확도를 달성했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.GR (Graphics)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기온라인 멀티플레이어 3D 가상 환경에서의 콘텐츠 중재 (Content moderation)는 최근 자동화된 AI 기반 파이프라인으로 위임되었습니다. 그러나 이 분야는 주로 이미지, 비디오, 오디오 내의 불법 콘텐츠 탐지에 집중되어 왔으며, 암시적 동작 (suggestive motion) 탐지 기술에는 사각지대를 남겨두었습니다. 본 논문에서는 Laban Movement Analysis (LMA) 기술자 (descriptors)를 사용하여 SMPL 스켈레톤 궤적으로부터 암시적이고 노골적인 움직임을 탐지하는 동작 전용 분류 파이프라인을 제시합니다. 일상적 (everyday), 예술적 (artistic), 암시적 (suggestive), 노골적 (explicit)이라는 네 가지 서열 단계에 걸친 20,514개의 동작 파편 (17시간 이상)을 대상으로, 110개의 LMA 특징 (features)에 대한 로지스틱 회귀 (logistic regression)를 수행한 결과 57.3%의 4단계 분류 정확도 (우연 확률의 2.3배), 72.1%의 3단계 정확도, 그리고 78.7%의 이진 SFW/NSFW 정확도를 달성했습니다. 혼동 행렬 (Confusion)은 인접한 단계에 집중되었으며, 이는 분류 오류가 비인접 단계보다 인접한 단계 사이에서 집중된다는 것을 확인시켜 줍니다. 또한, 분류 체계 (taxonomy)의 각 수준에서 서로 다른 움직임의 특성 (movement qualities)이 지배적으로 나타났습니다. 즉, 단일 특징이 분류를 주도하지 않으며, 이는 네 단계의 구조가 진정으로 구별되는 동작 영역 (motion regimes)을 반영하고 있음을 시사합니다.