이 논문은 반(半)합성 이미지 데이터를 증강하는 것이 인체(사람) 검출 알고리즘의 성능을 어떻게 향상시키는지에 대한 연구를 제시한다. 객체 검출 분야에서 고품질 데이터 세트를 확보하는 일은 딥러닝 알고리즘을 학습하는 데 있어 가장 중요한 역할을 한다. 최근에는 실제 이미지 데이터의 획득이 시간 소모적이고 비용이 많이 들어, 합성 데이터를 활용한 연구가 진행되어 왔다. 합성 데이터는 대량의 데이터를 생성할 수 있고 이를 정확하게 라벨링할 수 있다는 장점이 있다. 그러나 인체 검출에서 합성 데이터의 유용성은 아직 입증되지 않았다. 따라서 본 연구에서는 가장 널리 사용되는 객체 검출 알고리즘인 You Only Look Once (YOLO)를 사용하여, 합성 데이터 증강이 인체 검출 성능에 미치는 영향을 실험적으로 분석하였다. 그 결과 Penn-Fudan 데이터 세트를 사용하여 YOLO를 학습했을 때, 합성 데이터로 증강된 데이터 세트로 학습된 YOLO 네트워크 모델은 Precision-Recall Curve 및 F1-Confidence Curve의 관점에서 높은 성능 결과를 제공함이 확인되었다.

우리는 심도 카메라를 이용한 포인팅 제스처 기반의 대형 디스플레이 상호작용을 제안한다. 사용자는 맨손으로 포인팅 제스처를 사용하여 대형 디스플레이용 애플리케이션과 상호작용한다. 대형 디스플레이와 심도 카메라 간의 보정은 RGB-D 카메라를 사용하여 자동으로 수행될 수 있다. 실험 결과 포인팅 정확도는 96.2%로 나타났다. 제안된 시스템을 이용하여 퍼즐 게임 애플리케이션을 시연한다.