데이터 없는 클래스 증분 학습(DFCIL)은 기존 클래스의 학습 데이터를 사용할 수 없더라도 모델이 기존 클래스의 지식을 재학습하면서 새로운 클래스를 지속적으로 학습할 수 있도록 하는 것을 목표로 합니다. 이 연구는 이미지 데이터셋을 중심으로 연구되어 온 기존 연구와 달리, VR/AR 헤드셋의 증가와 제스처 기반 제어의 중요성을 고려하여 골격 기반 제스처 분류에 대한 DFCIL을 연구합니다. 본 연구는 기본 클래스로 학습된 골격 모델이 추가 학습 없이 보이지 않는 클래스에 강력한 일반화 능력을 보이는 점을 발견했습니다. 이를 바탕으로, 기존 클래스에 대한 합성 특징 재생과 새로운 클래스에 대한 증강을 위해 클래스 프로토타입에서 합성 특징을 샘플링하는 합성 특징 재생(SFR) 기법을 개발했습니다. 제안된 방법은 최첨단 기술보다 최대 15% 향상된 평균 정확도를 달성하고 기본 클래스와 새로운 클래스 간의 정확도 불균형을 크게 완화했습니다.
