[논문 리뷰] Hand Gesture Recognition for Contactless Device Control in Operating Rooms

Ebrahim Nasr-Esfahani, Nader Karimi외 5명|arXiv (Cornell University)|2016. 11. 13.

Hand Gesture Recognition Systems참고 문헌 21인용 수 14

한 줄 요약

이 논문은 수술실에서의 접촉 없는 제어를 위한 경량 딥러닝 기반 손짓 인식 시스템을 제안하며, 임베디드 시스템에의 구현을 위해 정확도와 속도를 최적화하고 계산 복잡도를 감소시킵니다. 이 방법은 유사한 접근 방식보다 더 높은 정확도를 달성하면서도 낮은 모델 복잡도를 유지하여 수술 환경에서 실시간 손짓 인식을 가능하게 합니다.

ABSTRACT

Hand gesture is one of the most important means of touchless communication between human and machines. There is a great interest for commanding electronic equipment in surgery rooms by hand gesture for reducing the time of surgery and the potential for infection. There are challenges in implementation of a hand gesture recognition system. It has to fulfill requirements such as high accuracy and fast response. In this paper we introduce a system of hand gesture recognition based on a deep learning approach. Deep learning is known as an accurate detection model, but its high complexity prevents it from being fabricated as an embedded system. To cope with this problem, we applied some changes in the structure of our work to achieve low complexity. As a result, the proposed method could be implemented on a naive embedded system. Our experiments show that the proposed system results in higher accuracy while having less complexity in comparison with the existing comparable methods.

연구 동기 및 목표

• 감염 위험과 수술 시간을 줄이기 위해 수술실에서 사용 가능한 접촉 없는 손짓 인식 시스템을 개발하기 위해.
• 자원이 제한된 임베디드 시스템에 정확한 딥러닝 모델을 구현하는 데 도전하기 위해.
• 실시간 성능을 위해 높은 인식 정확도와 낮은 계산 복잡도를 균형 있게 유지하기 위해.
• 모델 최적화를 통해 임상 환경에서의 실용적 구현을 가능하게 하기 위해.

제안 방법

• 낮은 복잡도를 위해 최적화된 딥 컨volution 신경망(CNN) 아키텍처를 사용합니다.
• 파rameter 수와 계산 부담을 줄이기 위해 CNN에 구조적 수정을 적용합니다.
• 수술실 유사 조건에서 촬영한 손짓 데이터셋을 기반으로 모델을 훈련시킵니다.
• 임베디드 환경에 적합한 모델 양자화와 효율적인 레이어 설계를 통해 실시간 추론을 구현합니다.
• 영상 입력을 처리하여 공간적 및 시간적 특징을 활용해 손짓을 검출하고 분류합니다.
• 변동하는 조명 및 운동 조건에서도 안정적인 손짓 인식을 보장하기 위해 경량 후처리 모듈을 적용합니다.

실험 결과

연구 질문

• RQ1 딥러닝 기반의 손짓 인식 시스템은 저전력 임베디드 시스템에 구현 가능하면서도 높은 정확도를 달성할 수 있는가?
• RQ2 제안된 모델의 복잡도는 기존 방법과 비교해 추론 속도와 정확도 측면에서 어떻게 다를까?
• RQ3 어떤 핵심 아키텍처 수정이 성능 손실 없이 복잡도를 감소시키는 데 기여하는가?
• RQ4 실제 수술실 조건에서 시스템은 얼마나 높은 정확도를 유지하는가?

주요 결과

• 유사한 계산 제약 조건 하에서 기존의 유사한 방법보다 제안된 시스템이 더 높은 인식 정확도를 달성합니다.
• 모델의 복잡도가 크게 감소하여 저성능 임베디드 플랫폼에의 배포가 가능해졌습니다.
• 낮은 지연 시간을 보이며 실시간 성능을 입증하여 수술 적용에 적합합니다.
• 최적화된 아키텍처는 수술실에서 흔히 볼 수 있는 다양한 조명 및 운동 조건에서도 높은 정확도를 유지합니다.