기술 트렌드가 증가함에 따라, 엄청난 양의 데이터가 생성되고 있습니다. 많은 양의 데이터가 소비되는 기술 분야 중 하나는 컴퓨터 비전이다. 인간은 기계와 비교할 때 시각에 영향을 미치는 표정, 조명 또는 시야각과 같은 외부 조건에서도 얼굴이나 사물을 쉽게 감지하고 인식할 수 있다. 그 이유는 그것과 관련된 높은 차원 의 데이터 때문이다. 데이터 차원성은 모든 관측치에서 측정되는 변수의 총 수를 말합니다. 이번 사업은 안 면인식시스템에 적합한 다양한 차원감소 기법을 비교하고 조도가 다양한 안면이미지로 구성된 다양한 데이 터세트로 테스트해 모델의 정확도 향상에 도움이 되는 기법의 앙상블 모델을 제안하고 성능을 측정하는 것 이 목적이다.렉스 배경과 표현. 제안된 앙상블 모델은 주성분 분석(PCA)과 로컬 선형 임베딩(LLE)이라는 두 가지 차원 감소 기술의 혼합에서 벡터를 추출하고, 이를 밀도 높은 컨볼루션 신경망(CNN)을 통해 전달하여 야생 면(LFW) 데이터 세트의 얼굴을 예측한다. 이 모형은 0.95의 검정 정확도와 0.94의 검정 F1 점수로 수행 됩니다. 제안된 시스템은 시스템이 얼굴을 예측할 수 있는 제안된 앙상블 모델과 통합된 웹캠에서 라이브 비 디오 스트림을 캡처하는 플라스크를 사용하여 개발된 웹 앱을 포함한다.

포인트 클라우드를 활용한 폴리곤 모델 활용에 대해서는 지속적으로 연구되고있다. 이러한 연구는 대부분 하이 폴리곤 모델을 대상으로 생성된 모델을 활용한 기술이다. 오늘날 비디오 게임 등에서 활용되는 하이 폴리곤 모델은 대부분 높은 퍼포먼스를 바탕으로 화려한 효과를 표현한다. 그러나 게임 등의 콘텐츠에 있어서 화려한 효과와 높은 품질의 리소스를 활용한 게임만이 만족도를 충족시켜주는 것이 아니다. 콘텐츠에 따라서 의도적으로 로우 폴리곤 모델을 활용하기도 한다. 인디 게임 등에서는 낮은 접근성을 장점으로 로우 폴리곤 형태의 모델을 제작하여 이를 활용한 게임들도 지속적으로 개발되어 왔다. 따라서 본 연구에서는 이러한 변화에 맞춰서 포인트 클라우드 데이터를 활용하여 로우 폴리곤 모델을 생성 및 음영 처리하는 방법을 제안한다. 여러 개의 모델을 생성하여, 각각의 모델이 하나의 텍스처를 공유하고, 음영을 처리한다. 마지막으로 라이트맵 기법의 결과물과 비교하는 실험을 진행한다.

사용자들이 게임의 기능적 편리성뿐만 아니라 정서적 충족을 목표로 하면서, 이러한 점을 고려한 새로운 감성공학이 게임산업에 적용되었다. 이러한 이유로 게임업계에서도 게이머의 정서적 충족을 목표로 게임을 개발하려는 움직임이 활발하다. 따라서 게임이 출시 전 개발단계에서 감성평가라는 제도가 적용되었다. 감성평가는 게임 인터페이스와 시스템, 게이머의 감성적 욕구 등을 평가하는 방식이다. 다만 평가방식이 평가자의 주관에 따라 결정되는 단점이 있다. 그래서 게이머의 몰입여부에 따라 답변이 달라질 수 있는 문제를 가지고 있다. 따라서 본 연구에서는, 아이트래킹 기술과 본 논문에서 제시한 평가 시스템을 이용해 게이머의 몰입도를 측정하고, 그 후 감성평가를 실시함으로써 감성평가의 신뢰성을 높이는 방법을 제안한다.