本研究通过实验探究在行动质量评估（AQA）环境中是否可能进行知识转移，发现跨多项行动学习单一模型可以提高性能。该实验基于作者发布的 AQA 数据集，在其中进行了 1106 个动作样本的实验，结果表明多项行为的合并样本有助于当前方法的性能提升。

Dec, 2018

连续学习的行动质量评估方法，通过任务一致的得分判别特征分布来减轻遗忘问题，并使用有限内存的特征 - 得分相关觉察重复数据，以及开发行动一般 - 特定图形来学习和解耦行动的知识。

Sep, 2023

通过时间解析变压器将运动分解为时间部分级表示，采用对比回归与分级损失函数用于动作质量评估，提高了当前方法在多个 AQA 基准测试中的性能。

Jul, 2022

通过提出一种渐进自适应多模态融合网络（PAMFN），该网络利用视觉信息和音频信息相结合以提高动作质量评估的准确性。研究表明，音频是一种有效的补充信息，尤其对于带有背景音乐的体育项目，如花样滑冰和韵律体操。PAMFN 由三个专注于各自信息的分支和一个逐渐聚合各种信息的混合分支构成，采用了一些创新模块来建立各分支之间的联系。这个研究还引入了自适应融合模块，旨在学习不同动作部分的适应性多模态融合策略。

Jan, 2024

使用计算机视觉进行行动质量评估的研究通过神经网络从视频数据中提取可解释的符号，并应用规则进行质量评估。该研究以潜水为案例研究，发现领域专家更喜欢该系统，并认为它比纯粹的神经网络方法在潜水行动质量评估方面更具信息量。该系统还实现了先进的动作识别和时间分割，并自动生成详细报告，将潜水行动分解为各个元素，并提供带有可视证据的客观评分。通过一组领域专家的验证，该报告可以用于协助评委打分，培训评委，并向潜水员提供反馈。研究人员将公开其所有的标注训练数据和代码以便于可重复性。

Mar, 2024

近年来，视频行为质量评估（AQA）受到越来越多的关注。大多数现有方法通常通过考虑整个视频来解决 AQA 问题，却忽视了行为的内在阶段级别特征。为了解决这个问题，我们设计了一种新的多阶段对比回归（MCoRe）框架来处理 AQA 任务。此方法可以有效提取时空信息，同时通过将输入视频分割成多个阶段或过程来降低计算成本。受到图形对比学习的启发，我们提出了一种新的阶段对比学习损失函数来提高性能。结果表明，MCoRe 在广泛采用的精细化 AQA 数据集上展示了迄今为止的最先进结果。

Jan, 2024

提出了一种基于分数分布学习的不确定性感知评分模型（USDL）来进行动作质量评估（AQA），该模型能够处理多个评委或他们的主观评估所造成的评分标签的内在模糊性，并且在多径不确定性感知分数分布学习（MUSDL）方法下能够探究评分的解耦组成部分，实验证明该方法在各种奥林匹克行动和外科活动数据集上均取得了新的排名第一。

Jun, 2020

本文使用多任务学习方法和多视角注意力机制，同时处理答案选择和知识库问答问题，并通过在不同视角学习多视角注意力来提高两个任务的性能。

Dec, 2018

本文提出了一种基于 Tube Self-Attention Network 的方法来评估视频中行动的质量，并通过引入单个对象跟踪器和 Tube Self-Attention Module 来提取丰富的时空上下文信息。此外，在 AQA-7, MTL-AQA 数据集上进行广泛实验，并提出了一个名为 FR-FS 的数据集以探究花样滑冰场景中的基本行动评估。

Jan, 2022

本研究使用三种基于神经网络模型的框架 (SVR, LSTM, LSTM+SVR) 对奥林匹克运动会项目（跳水、跳马和花样滑冰）的比赛评价进行实验。实验结果表明，三种框架均显著优于现有的比赛质量评估方法，其中基于 SVR 的框架取得最好的效果，而基于 LSTM 的框架则更符合动作的描述和改进反馈。

Nov, 2016