기반 뼈대 동작 인식을 위한 그래프 컨볼루션 네트워크를 활용한 그래프 임베딩 특징의 통합

스켈레톤 구조와 그래프 컨볼루션 네트워크(GCN)를 결합한 기법은 인간의 동작 인식에서 뛰어난 성능을 달성하고 있다. 현재의 연구는 주로 스켈레톤 데이터를 표현하기 위한 기본적인 그래프 구조를 설계하는 데 집중하고 있으며, 이러한 임베딩 특징은 기본적인 위상 정보를 포함하고 있으나, 스켈레톤 데이터로부터 더 체계적인 시각을 학습하는 데 한계가 있다. 본 논문에서는 이러한 한계를 극복하기 위해, 인간의 동작 인식을 위한 새로운 프레임워크를 제안한다. 이 프레임워크는 15개의 그래프 임베딩 특징을 그래프 컨볼루션 네트워크에 통합함으로써, 단일 특징이나 도메인에 국한되지 않고, 그래프 정보를 최대한 활용하여 인간 동작 내의 핵심 관절, 뼈, 신체 부위를 효과적으로 구분하고자 한다. 또한, 스켈레톤 구조의 최적 그래프 특징을 찾는 방법을 철저히 탐구하였으며, 스켈레톤 시퀀스의 위상 정보를 다중 스트림 프레임워크 내에서 활용하여 성능을 더욱 향상시켰다. 더불어, 훈련 과정에서 적응형 방법을 통해 통합된 그래프 특징을 추출함으로써 추가적인 성능 향상을 달성하였다. 제안된 모델은 NTU-RGB+D, Kinetics, SYSU-3D 세 가지 대규모 데이터셋을 통해 검증되었으며, 기존 최고 성능 기법들을 능가하는 결과를 보였다. 종합적으로 본 연구는 그래프 임베딩 특징을 통합함으로써 인간 동작 인식 분야의 체계적인 연구를 촉진하는 기여를 하였다.