탭 내에서 실행되는 12종 손 제스처 인식기

작성자는 코드 저장소 링크와 피드백 요청을 함께 게시해 외부 검토를 받는 형태였으며, 공개된 기술적 근거와 수치 때문에 실무 적용 가능성에 관심을 보일 여지가 있다. 게시글 자체에는 댓글 내용이 포함되어 있지 않지만 프로젝트가 배포·실행 가능한 산출물을 제공한다는 점에서 동료 개발자들의 구현·확장 제안이나 일반화 관련 비판을 유도할 것으로 보인다. 실험적 근거와 배포 검증 루틴이 제시되어 있어 단순 데모보다 심도 있는 기술 토론의 출발점이 될 수 있다.

• 랜드마크 기반 분류기를 배포할 때는 학습 시의 정규화 절차를 배포 파이프라인에 동일하게 구현하고, parity 테스트로 정규화 드리프트를 검증할 것을 권장한다.
• 데이터 수집 시에는 다양한 피험자와 촬영 조건을 포함하고, 가능한 경우 leave-one-person-out 검증을 통해 개인 간 일반화를 사전에 평가해야 한다.
• 전이 프레임을 별도 클래스로 수집하거나 전이 감지 로직을 도입하면 연속 동작에서의 오탐을 줄일 수 있으므로 실사용 인터페이스에 대한 신뢰도를 높일 수 있다.

Hand Landmarks

— 손의 관절과 주요 지점을 좌표 벡터로 표현한 정보로서 이 글에서는 MediaPipe Hands가 반환하는 21개 포인트를 의미한다. 입력으로 사용된 랜드마크는 손목 중심 정규화와 스케일 불변 처리를 거쳐 기하학적 특징으로 변환되고, 이 특징이 MLP의 입력 벡터로 사용되어 픽셀 대신 관절 위치로 분류를 수행한다. 랜드마크 기반 표현은 이미지 전체를 처리하는 CNN보다 모델 크기와 연산량을 크게 줄여 브라우저 내 실시간 추론을 가능하게 한다.

Temporal Split

— 데이터셋을 시간 순서에 따라 앞부분과 뒷부분으로 나누어 학습용과 평가용으로 사용하는 분할 방식으로, 이 글에서는 각 클래스의 처음 80% 프레임을 학습에, 마지막 20%를 테스트에 사용했다. 동일한 촬영 버스트가 학습과 테스트에 섞이는 것을 방지해 과적합을 숨기지 않도록 설계되며, 특히 연속 캡처 방식으로 수집된 데이터에서 무작위 분할이 유발하는 정보 유출을 차단한다. 실험적 근거로 본 프로젝트는 이 분할을 사용해 클래스별 정확도 95.5%를 보고했다.

Normalization Drift

— 학습 시 적용한 입력 정규화와 배포 시 파이프라인에서 생성되는 입력 분포가 불일치해 모델 성능이 떨어지는 현상을 말한다. 본 시스템에서는 학습 파이프라인과 JS 파이프라인 사이의 정규화 불일치가 예측 신뢰도를 잠식할 수 있어, 배포 시 동일 입력에 대해 레퍼런스 로그잇을 비교하는 parity self-test로 이를 검출한다. 정규화 드리프트는 특히 랜드마크 좌표의 스케일·중심화 처리에서 자주 발생한다.

Leave-One-Person-Out

— 데이터셋에서 특정 개인의 모든 샘플을 테스트셋으로 떼어놓고 나머지로 학습해 모델의 개인 간 일반화 성능을 측정하는 방법이다. 작성자는 단일 사용자 기반 모델이므로 이 검증을 구현해 개인 의존성을 평가하려 했으나, 최종적으로 '낯선 사람에서의 정확도' 수치는 보고되지 않았다. 이 검증은 인체 형태 기반 분류기의 실제 일반화 문제를 직접적으로 드러낸다.

MLP

— 여러 개의 완전연결층으로 구성된 신경망 구조로서 본 작업에서는 126→256→128→13 구조의 MLP가 사용되어 21개 랜드마크(각 3차원)에서 추출한 기하학적 특징을 입력으로 받아 13개 클래스를 출력한다. 이 MLP는 약 66K 파라미터 규모로 경량화되어 파일 크기가 260KB에 불과하며, 브라우저 CPU에서 밀리초 단위 추론을 가능하게 했다. MLP는 공간적 패턴을 CNN처럼 직접 처리하지 않고 좌표 특성의 비선형 결합을 통해 분류를 수행한다.