골격 기반 행동 인식을 위한 계층적으로 분해된 그래프 합성곱 신경망

그래프 합성곱 신경망(GCN)은 골격 기반 행동 인식에 가장 일반적으로 사용되는 방법이며 주목할 만한 성능을 달성했습니다. 의미론적으로 유의미한 엣지를 가진 인접 행렬을 생성하는 것은 이 작업에 특히 중요하지만, 이러한 엣지를 추출하는 것은 도전적인 문제입니다. 이를 해결하기 위해 우리는 새로운 계층적으로 분해된 그래프(HD-Graph)를 갖춘 계층적으로 분해된 그래프 합성곱 신경망(HD-GCN) 아키텍처를 제안합니다. 제안된 HD-GCN은 모든 관절 노드를 여러 세트로 분해하여 주요하게 구조적으로 인접하고 먼 엣지를 추출하고, 이를 사용하여 인간 골격의 동일한 의미 공간에 있는 엣지를 포함하는 HD-Graph를 구성합니다. 또한, 우리는 HD-Graph의 지배적인 계층 엣지 세트를 강조하기 위해 주의 기반 계층 집계(A-HA) 모듈을 도입합니다. 나아가, 우리는 움직임 스트림 없이 관절 및 뼈 스트림만을 사용하는 새로운 6방향 앙상블 방법을 적용합니다. 제안된 모델은 평가되어 4개의 크고 인기 있는 데이터셋에서 최첨단 성능을 달성합니다. 마지막으로, 우리는 다양한 비교 실험으로 모델의 효과성을 입증합니다. 코드는 https://github.com/Jho-Yonsei/HD-GCN에서 이용 가능합니다.