신경망 탐색을 통한 그래프 컨볼루션 네트워크 학습을 통한 스�켈레톤 기반 인간 행동 인식

골격 데이터로부터의 인간 행동 인식은 비유클리드 구조 데이터를 효과적으로 모델링할 수 있는 그래프 컨볼루션 네트워크(GCN)의 강력한 능력으로 인해 많은 주목을 받고 있다. 그러나 기존의 많은 GCN 방법들은 네트워크 전반에 걸쳐 고정된 사전 정의된 그래프를 사용하기 때문에 은닉된 관절 간 상관관계를 손실할 수 있다. 또한 주류인 스펙트럴 GCN은 일계 이웃(1-hop) 근사에 의존하기 때문에 고차 연결(higher-order connections)이 충분히 반영되지 않는다. 이에 따라 더 나은 GCN 아키텍처를 탐색하기 위한 광범위한 노력이 필요하다. 이러한 문제를 해결하기 위해 우리는 신경망 아키텍처 탐색(Neural Architecture Search, NAS)에 주목하고, 골격 기반 행동 인식을 위한 최초의 자동 설계된 GCN을 제안한다. 구체적으로, 노드 간의 공간-시간 상관관계를 철저히 탐색한 후, 여러 동적 그래프 모듈을 제공함으로써 탐색 공간을 풍부하게 확장한다. 또한 다단계 이웃(multiple-hop) 모듈을 도입하여 일계 근사에 의한 표현 능력 한계를 극복하고자 한다. 더불어, 샘플링과 메모리 효율성을 고려한 진화 전략을 제안하여 이 작업에 최적의 아키텍처를 탐색한다. 결과적으로 얻어진 아키텍처는 고차 근사와 시간적 상호작용을 고려한 동적 그래프 모델링 메커니즘의 효과를 입증하며, 이는 이전에 거의 다뤄지지 않은 주제이다. 탐색된 모델의 성능을 평가하기 위해, 두 개의 매우 대규모 데이터셋에서 광범위한 실험을 수행하였으며, 실험 결과 제안한 모델이 최신 기술(SOTA) 수준의 성능을 달성함을 확인하였다.