본 논문은 장시간 시계열 데이터에서의 골격 기반 동작 인식의 효율성을 높이기 위해 Temporal-Spatio Graph ConvNeXt (TSGCNeXt) 모델을 제안합니다. TSGCNeXt는 간단한 구조의 새로운 그래프 학습 메커니즘인 Dynamic-Static Separate Multi-graph Convolution (DS-SMG)을 사용하여 여러 독립적인 위상 그래프의 특징을 집계하고, 동적 컨볼루션 중 노드 정보 손실을 방지합니다. 또한, 그래프 컨볼루션 학습 가속 메커니즘을 통해 동적 그래프 학습의 역전파 계산을 55.08% 향상시키고, 세 개의 시공간 학습 모듈을 사용하여 장시간 시계열 특징을 효율적으로 모델링합니다. 대규모 데이터셋인 NTU RGB+D 60 및 120에서 기존 방법보다 우수한 성능을 보이며, 특히 다중 스트림 융합에 EMA 모델을 도입하여 최첨단 성능을 달성합니다. NTU 120의 교차 피험자 및 교차 집합에서 각각 90.22%와 91.74%의 정확도를 기록합니다.
