초록
최근 몇 년간 3D 자세 추정을 위한 다양한 방법들이 제안되어 왔다. 이러한 방법들 중에서 자기 주의(self-attention) 메커니즘과 그래프 합성곱(graph convolution)은 모두 효과적이고 실용적인 기법으로 입증되었다. 이러한 두 기법의 장점을 인지한 바, 우리는 전역적인 맥락을 포착할 수 있는 자기 주의의 능력을 활용하면서도, 골격의 국소적 연결성과 구조적 제약을 처리하는 데 그래프 합성곱을 활용할 수 있는 새로운 의미론적 그래프 주의망(Semantic Graph Attention Network)을 개발하였다. 또한 특정 신체 부위에 관련된 정보를 효과적으로 추출하고 정제하는 데 도움을 주는 신체 부위 디코더(Body Part Decoder)를 설계하였다. 더불어 거리 정보(Distance Information)를 모델에 통합함으로써, 공간적 관계를 보다 정확하게 이해하고 예측할 수 있는 능력을 향상시켰다. 마지막으로, 인간 자세의 자연스러운 제약을 반영하기 위해 신체 골격의 구조적 제약을 엄격히 유지하도록 하는 기하학적 손실(Geometry Loss)을 도입하였다. 실험 결과는 제안된 방법의 유효성을 입증하며, 시스템 내 모든 구성 요소가 자세 추정 성능 향상에 필수적임을 보여주었다. 최첨단 기술들과의 비교를 통해 제안된 방법은 기존 기준을 충족할 뿐만 아니라 이를 초월함을 확인하였다.