초록
최근 3D 동작 인식 - 3D 스켈레톤 데이터를 기반으로 한 인간 행동 분석 -은 그 간결성, 견고성, 그리고 시점에 독립적인 표현 방식 덕분에 인기를 얻고 있습니다. 이 문제에 대한 최근의 연구에서는 시간 영역에서의 문맥 의존성을 모델링하기 위해 RNN(재귀 신경망) 기반 학습 방법을 개발하는 것을 제안하였습니다. 본 논문에서는 이 아이디어를 공간-시간 영역으로 확장하여, 입력 데이터 내부에 존재하는 행동 관련 정보의 숨겨진 출처를 두 영역을 동시에 분석함으로써 파악하고자 합니다. 인간 스켈레톤의 그래픽 구조에서 영감을 받아, 우리는 더욱 강력한 트리 구조 기반 순회 방법을 제안합니다. 3D 스켈레톤 데이터에서 발생하는 노이즈와 가림 현상을 처리하기 위해, LSTM(장단기 메모리) 내부에 새로운 게이팅 메커니즘을 도입하여 순차적 입력 데이터의 신뢰성을 학습하고, 이를 바탕으로 메모리 셀에 저장된 장기 문맥 정보 업데이트에 미치는 영향을 조정합니다. 우리의 방법은 3D 인간 동작 분석을 위한 4개의 도전적인 벤치마크 데이터셋에서 최신 수준의 성능을 달성하였습니다.