스켈레톤 기반 행동 인식(skeleton-based action recognition)은 적은 데이터 용량으로도 우수한 성능을 보여주며, 효율성과 실시간성이 요구되는 응용 분야에서 주목받고 있다. 그러나 실제 환경에서는 새로운 행동이 지속적으로 등장하기 때문에, 이를 분류하기 위해서는 모델의 재학습 또는 추가 학습이 필요하다. 완전한 재학습은 비효율적이며, 추가 학습 과정에서는 기존에 학습한 행동 정보를 잊어버리는 망각 (catastrophic forgetting) 문제가 발생한다. 이러한 한계를 극복하기 위해 제안된 지속 학습 (continual learning) 기법들 중, 스켈레톤 데이터에 특화된 대표적인 접근으로 Else-Net과 CHARON이 있다. 본 발표에서는 이 두 모델을 중심으로 스켈레톤 기반 행동 인식의 지속 학습(skeleton-based continual action recognition) 방법론을 살펴보고자 한다.

[3] Wei, W., De Schepper, T., & Mets, K. (2024). Benchmarking sensitivity of continual graph learning for skeleton-based action recognition. arXiv preprint arXiv:2401.18054.