구조 추론 기계: 그룹 활동 인식에서 관계를 분석하기 위한 순환 신경망

부유한 의미 관계는 다양한 시각 인식 문제에서 중요합니다. 구체적인 예로, 그룹 활동 인식은 장면 내의 사람들의 상호작용과 상대적 공간 관계를 포함합니다. 최신 인식 방법은 이미지를 해석하기 위한 매우 효과적이고 복잡한 분류기를 훈련시키는 딥 러닝 접근 방식을 중심으로 합니다. 그러나 이러한 방법이 출력하는 상대적으로 저수준의 개념을 고수준의 구성적 장면으로 해석하는 것은 여전히 도전 과제입니다. 그래픽 모델은 이 작업에 대한 표준 도구입니다. 본 논문에서는 그래픽 모델과 딥 신경망을 결합한 공동 프레임워크를 제안합니다. 전통적인 추론 방법 대신 순차적 추론을 반복 신경망으로 모델링하였습니다. 또한 노드 간의 엣지에 게이트를 부여하여 적절한 추론 구조를 학습할 수 있습니다. 그룹 활동 인식에 대한 경험적 결과는 이 모델이 고도로 구조화된 학습 작업을 처리할 잠재력을 보여줍니다(sequential inference: 순차적 추론, recurrent neural network: 반복 신경망).