초록
간결성과 견고성 덕분에 스켈레톤 기반 행동 인식이 최근 많은 주목을 받고 있습니다. 대부분의 기존 방법은 순환, 컨벌루션, 그래프 컨벌루션 네트워크 등의 지역 네트워크를 사용하여 공간-시간 동역학을 계층적으로 추출합니다. 그 결과, 더 많은 세부 정보와 의미를 각각 포함하는 지역적 및 비지역적 종속성이 다른 레벨의 층에서 비동기적으로 포착됩니다. 또한, 기존 방법들은 공간-시간 영역에 제한되어 주파수 영역의 정보를 무시하고 있습니다. 이러한 문제점을 해결하기 위해, 우리는 주파수 영역에서 차별적인 패턴에 집중할 수 있는 잔차 주파수 주의 (rFA) 블록과 공간-시간 영역에서 동시에 세부 정보와 의미를 포착할 수 있는 동기화된 지역적 및 비지역적 (SLnL) 블록을 제안합니다. 또한, 학습 과정 전체를 최적화하기 위해 소프트 마진 초점 손실 (SMFL)을 제안하는데, 이는 자동으로 데이터 선택을 수행하고 분류기에서 내재적인 마진을 강화합니다. 우리의 접근법은 여러 대규모 데이터셋에서 다른 최신 방법들을 크게 능가하는 성능을 보여주었습니다.