채널별 토폴로지 개선 그래프 컨볼루션을 통한 스켈레톤 기반 동작 인식

그래프 컨볼루션 네트워크(GCNs)는 스켈레톤 기반 동작 인식 분야에서 널리 활용되며 뛰어난 성과를 거두고 있다. GCN에서 그래프의 토폴로지(구조)는 특징 집약(feature aggregation)를 주도하므로, 대표적인 특징을 추출하는 데 핵심적인 역할을 한다. 본 연구에서는 스켈레톤 기반 동작 인식을 위한 차원별 토폴로지 개선 그래프 컨볼루션(CTR-GC)을 제안한다. 이는 각 차원(channel)에서 서로 다른 토폴로지를 동적으로 학습하고, 차원별 관계를 효과적으로 반영하여 관절 특징을 집약하는 데 기여한다. 제안된 CTR-GC는 모든 차원에 공통적으로 적용 가능한 일반적인 사전 지식으로서의 공유 토폴로지를 학습하고, 각 차원별 특성 상관관계를 통해 이를 개선함으로써 차원별 토폴로지를 모델링한다. 본 연구의 개선 방법은 추가적인 파라미터가 거의 필요 없으며, 차원별 토폴로지 모델링의 복잡도를 크게 낮춘다. 또한 그래프 컨볼루션을 통일된 형태로 재정의함으로써, CTR-GC가 기존 그래프 컨볼루션의 엄격한 제약 조건을 완화함을 발견하였으며, 이는 더 강력한 표현 능력을 제공한다. 시간 모델링 모듈과 결합함으로써, CTR-GC를 기반으로 한 강력한 그래프 컨볼루션 네트워크인 CTR-GCN을 개발하였으며, 이는 NTU RGB+D, NTU RGB+D 120, NW-UCLA 데이터셋에서 최신 기술 대비 뛰어난 성능을 보였다.