Aug, 2020

基于增强骨架对比动作学习和动量 LSTM 的无监督动作识别

PDF
TL;DR该论文提出了一种基于对比学习的行动识别新范例，并使用多种新型增强策略来对未标记的骨架序列数据进行对比，从而学习动作表示，并展示了该方法在无监督学习中的优异性能。
action recognition3d skeleton dataunsupervised learningaugmentation strategiesmomentum lstm
发现论文，激发创造
  • 基于层次一致对比学习及增长增强的骨架动作识别

    本文提出了一种基于骨骼的行为识别的一般性逐层一致对比学习框架 (HiCLR)，并探索了使用强数据增强进行对比学习的潜力，同时提出了一个不对称损失以保证其鲁棒性，实验表明该方法在 NTU60、NTU120 和 PKUMMD 等三个大型数据集上优于现有技术。

    Nov, 2022

  • Skeleton-Contrastive 3D 行为表示学习

    本论文提出了一种基于骨架的行为识别的自监督学习方法，通过噪声对比估计学习骨架表示的不变性以及各种增强策略。该方法在 PKU 和 NTU 数据集上进行了验证，并在多个下游任务中实现了最新水平。

    Aug, 2021

  • 自监督动作识别的极度增广骨架序列对比学习

    本文提出了一种利用极端数据增强和丰富信息挖掘来改进运动表示学习的对比学习框架 (AimCLR)，通过大量实验得出了其在三个数据集上的显着优越性。

    Dec, 2021

  • 一种增强型注意力图卷积 LSTM 网络用于基于骨架的动作识别

    本研究提出了一种 Attention Enhanced Graph Convolutional LSTM 网络 (AGC-LSTM) 的方法，它不仅可以在时间与空间领域之间探索联合关系，还可以通过注意力机制提高每个 AGC-LSTM 层中关键节点的特征差异性， 同时在空间和时间特征上提取关键特征，该方法在两个数据集上的表现均优于现有的最先进方法。

    Feb, 2019

  • MS$^2$L：基于骨架的动作识别的多任务自监督学习

    本文探讨了基于自监督学习的骨骼动作识别中的表征学习问题，提出了一种多任务自监督学习的方法，包括运动预测、拼图识别和对比学习等方法。实验表明该方法在不同配置下的动作分类器上表现出优异的性能。

    Oct, 2020

  • 主动学习稀疏半监督动作识别

    该研究提出了 SESAR 方法，它将无监督学习和少量有监督学习相结合，通过两个组件对骨骼动作序列进行训练，从而实现骨骼动作识别，其性能超越其他方法，即使只使用 1% 已标记的数据。

    Dec, 2020

  • 基于时空解耦对比学习的骨骼人体动作识别

    我们提出了一种用于基于骨架的动作识别的框架（STD-CL），通过解耦空间和时间特征并应用注意力特征到对比学习，改进了全局特征的语义，提高了准确性，在 NTU60、NTU120 和 NW-UCLA 基准数据集上实现了改进。

    Dec, 2023

  • 基于骨架的全局上下文感知注意力 LSTM 网络的人类动作识别

    本研究设计了一种全局上下文感知注意 LSTM 网络 (GCA-LSTM) 用于基于骨骼的动作识别，实现了对每个骨架序列的每帧中信息的有选择性的聚焦，具有递归注意机制的 GCA-LSTM 网络的性能优于其他模型，并在评估使用的五个骨骼基础动作识别数据集上实现了最先进的性能。

    Jul, 2017

  • 自监督行为识别的部位感知对比学习

    提出一种基于关注机制的对比学习框架，用于骨架序列的表征学习，因为人体动作特征的语义区分常常由局部身体部位表示，如腿部或手部等，这对于基于骨架的动作识别是有优势的，并且该方法通过学习软注意力蒙版特征和生成大量的对比对来增强对局部特征相似性的学习，从而提高了基于骨架的动作表征的准确度。

    May, 2023

  • 基于对比重构的自监督骨架动作识别表示学习

    该论文提出了一种名为 CRRL 的新型对比重建表示学习网络，它通过无监督学习方式，同时捕捉姿态和运动动态，从而提高无标签数据的骨骼动作识别效果。在实验上，该方法在多个基准数据集上远远优于现有技术水平。

    Nov, 2021