Experiment220430_PCA, K-Means, Linear Interpolation(2)

<previous experiment>

Experiment220428_PCA, K-Means, Linear Interpolation

Experiment220428_PCA, K-Means, Linear Interpolation

 

이전 실험 대비, 동일 데이터에 대해 더 엄격한 기준을 적용하여 PCA component 갯수 및 cluster 갯수 파라미터를 설정,

 

[이전 실험 파라미터] n_components = 5, n_clusters = 6

[본 실험 파라미터] n_components = 14, n_clusters = 25

 

 

결과적으로 더 촘촘한 간격으로 키프레임 클러스터를 분류하였으며, 모든 클러스터에 대하여 linear interpolation을 각각 수행하여 취합, 원본과 모션 시각화 결과를 비교 (total 242 frames).

 

[좌측] 원본 모션데이터 / [우측] linear interpolation 처리 결과

 

 

Takeaways:

* PCA 주성분 기반 K-Means 클러스터링을 더 엄격하게 수행한 결과, 선형 보간의 적용을 통해 일부 구간에 대하여 기대했던 노이즈 필터링 효과를 볼 수 있었음

* 그럼에도 불구하고, 일부 구간에서는 비정상적인 flipping 등 예기치 못한 현상이 발생했음을 확인

  * 추정 원인 1. 선형보간에 적합할 정도로 충분히 클러스터링이 잘게 쪼개지지 않았다

  * 추정 원인 2. 원본 모션 데이터에 존재하는 outlier가 선형 보간에 악영향을 미쳤다

 

What's Next?

* 더 세분화된 클러스터링, 그리고 "클러스터링이 충분히 세분화되었는가"를 판단하는 기준의 수립과 검증

* 아웃라이어에 대한 최소한의 전처리, outlier detection --- 우선적으로 non-AI 접근법으로 테스트 진행