소프트 게이트형 스킵 연결을 통한 빠르고 정확한 인간 자세 추정 기법 연구

이 논문은 매우 높은 정확도와 효율성을 갖춘 인간 자세 추정에 관한 것이다. 최근 Fully Convolutional Networks (FCNs) 기반의 연구들은 이 어려운 문제에 대해 뛰어난 성과를 보여주었다. FCN 내부의 Residual 연결이 높은 정확도를 달성하는 데 필수적임이 입증되었지만, 본 연구에서는 기존의 상태최적(SOTA) 성능을 넘어서 정확도와 효율성을 동시에 향상시키는 맥락에서 이 설계 선택을 재분석한다. 특히 다음과 같은 기여를 한다: (a) 매크로 모듈 내부의 모듈에서 각 채널별로 데이터 흐름을 제어할 수 있도록, 채널별 학습 가능한 파라미터를 갖춘 게이트(Gated) 스케이프 연결을 제안한다. (b) HourGlass와 U-Net 아키텍처를 결합한 하이브리드 네트워크를 도입하여, 네트워크 내 정체성 연결(identity connection)의 수를 최소화하고, 동일한 파라미터 예산 하에서 성능을 향상시킨다. 제안한 모델은 MPII 및 LSP 데이터셋에서 상태최적 성능을 달성하였다. 또한 모델 크기와 복잡도를 3배 감소시켜도 원래의 HourGlass 네트워크와 비교해 성능 저하가 없음을 입증하였다.