소수 샘플 3차원 동작 인식을 위한 신경망 그래프 매칭 네트워크

우리는 단 몇 개의 예시만으로도 이전에 본 적 없는 3D 동작 클래스를 인식할 수 있도록 학습할 수 있는 새로운 프레임워크인 신경 그래프 매칭(Neural Graph Matching, NGM) 네트워크를 제안한다. 우리는 3D 데이터의 내재적 구조를 그래프 표현을 통해 활용함으로써 이 목표를 달성한다. 이를 통해 모델을 모듈화할 수 있으며, 소수 샘플 학습에서 뛰어난 데이터 효율성을 달성할 수 있다. 구체적으로, NGM 네트워크는 엔드투엔드 방식으로 그래프 생성기와 그래프 매칭 메트릭 함수를 함께 학습하여 소수 샘플 학습 목적 함수를 직접 최적화한다. 제안한 방법은 두 개의 3D 동작 인식 데이터셋인 CAD-120과 PiGraphs에서 평가되었으며, 그래프 생성 및 매칭을 학습함으로써 전통적인 풀링 기반 기준 모델에 비해 소수 샘플 3D 동작 인식 성능이 크게 향상됨을 보였다.