계층적으로 분해된 그래프 컨볼루션 네트워크를 이용한 스켈레톤 기반 동작 인식

그래프 컨볼루션 네트워크(GCN)는 뼈대 기반 동작 인식에서 가장 널리 사용되는 방법으로, 뛰어난 성능을 달성하고 있다. 이 작업에서 의미 있는 엣지(연결)를 갖는 인접 행렬을 생성하는 것은 특히 중요하지만, 그러한 엣지를 추출하는 것은 도전적인 문제이다. 이를 해결하기 위해, 본 논문에서는 새로운 계층적 분해 그래프(HD-Graph)를 갖는 계층적 분해 그래프 컨볼루션 네트워크(HD-GCN) 아키텍처를 제안한다. 제안한 HD-GCN은 각 관절 노드를 여러 집합으로 계층적으로 분해함으로써 주요한 구조적 인접 및 원거리 엣지를 효과적으로 추출하며, 이를 통해 인간 뼈대의 동일한 의미 공간 내에 있는 엣지를 포함하는 HD-Graph를 구성한다. 또한, HD-Graph의 주도적인 계층적 엣지 집합을 강조하기 위해 주의 기반 계층 집계(A-HA) 모듈을 도입한다. 더불어, 움직임 스트림(motion stream)을 전혀 사용하지 않고 관절과 뼈 스트림만을 활용하는 새로운 6방향 앙상블 방법을 적용한다. 제안된 모델은 네 개의 대규모且 인기 있는 데이터셋에서 평가되었으며, 최신 기술(SOTA) 수준의 성능을 달성하였다. 마지막으로, 다양한 비교 실험을 통해 제안 모델의 효과성을 입증하였다.