MSR-GCN: 인간 운동 예측을 위한 다중 스케일 잔차 그래프 컨볼루션 네트워크

인간의 운동 예측은 미래 자세의 확률적 특성과 비주기적 특성으로 인해 도전적인 과제이다. 최근 그래프 컨볼루션 네트워크(GCN)가 자세 관절 간의 동적 관계를 효과적으로 학습할 수 있음이 입증되어 자세 예측에 유용한 도구로 활용되고 있다. 한편, 인간 자세는 반복적으로 추상화함으로써 다중 스케일의 자세 집합을 얻을 수 있다. 추상화 수준이 높아질수록 자세의 운동은 더 안정적이 되며, 이는 자세 예측에 긍정적인 영향을 미친다. 본 논문에서는 엔드투엔드 방식으로 인간 자세 예측을 수행하기 위해 새로운 다중 스케일 잔차 그래프 컨볼루션 네트워크(MSR-GCN)를 제안한다. 제안된 네트워크는 세부적인 스케일에서 거시적인 스케일로, 다시 거시적인 스케일에서 세부적인 스케일로 특징을 추출한다. 각 스케일에서 추출된 특징은 결합된 후 입력 자세와 목표 자세 간의 잔차를 추정하는 데 사용된다. 또한 모든 예측 자세에 중간 지도 신호를 적용함으로써 네트워크가 더 대표적인 특징을 학습하도록 유도한다. 제안한 방법은 Human3.6M 및 CMU Mocap이라는 두 가지 표준 벤치마크 데이터셋에서 평가되었으며, 실험 결과 기존 최고 성능 기법들을 능가함을 입증하였다. 코드 및 사전 학습된 모델은 https://github.com/Droliven/MSRGCN 에서 제공된다.