GCNext: 인간 운동 예측을 위한 그래프 합성곱의 통합화

최근 몇 년간 그래프 컨볼루션 네트워크(GCNs)는 인간 운동 예측 분야에서 주도적인 위치를 차지하고 있습니다. 다양한 형태의 그래프 컨볼루션이 제안되었으며, 각각은 세심하게 설계되어 정교한 네트워크 구조에 통합되었습니다. 본 논문에서는 기존 지식의 한계를 뛰어넘어 Universal Graph Convolution (UniGC)이라는 새로운 그래프 컨볼루션 개념을 제안합니다. 이 개념은 다양한 그래프 컨볼루션을 특수한 경우로 재정의합니다. 네트워크 수준에서 UniGC를 활용하여, 우리는 샘플별 및 층별로 가장 적합한 그래프 컨볼루션을 동적으로 결정하는 새로운 GCN 구축 패러다임인 GCNext를 제안합니다. GCNext는 새로운 GCN을 처음부터 훈련시키거나 기존의 GCN을 개선하는 등 여러 사용 사례를 제공합니다. Human3.6M, AMASS, 3DPW 데이터셋에서 수행된 실험 결과에 따르면, 독특한 모듈-네트워크 설계를 통해 GCNext는 기존 GCN 방법론보다 최대 9배 낮은 계산 비용을 제공하면서도 최신 성능을 달성하였습니다.