Nov, 2020

基于原型对比和逆向预测的无监督骨架动作识别

PDF
TL;DRPCRP 网络提出了一种结合了原型聚类和反向预测的无监督表示学习框架，利用潜在变量隐式编码序列之间的语义相似性，并通过期望最大化算法进行优化，实现了在骨骼动作识别中超越监督学习方法的效果。
unsupervised representation learningskeleton-based action recognitionprototypical contrast and reverse predictionlatent variablesexpectation-maximization
发现论文，激发创造
  • 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

  • 基于骨架的非监督动作识别和聚类

    我们提出了一种新颖的无监督骨架动作识别系统，该系统基于编码器 - 解码器递归神经网络，可以无需提供任何标签或摄像头深度输入，并可在各维度的身体关键点（2D 或 3D）和附加提示描述移动的情况下操作，并将其与最新的无监督骨架方法进行比较。方法表现出更好的交叉视图性能，且与有监督骨架动作识别表现相似。

    Nov, 2019

  • 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

  • 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

  • 通过掩蔽运动建模的激发对比：走向多功能的 3D 动作表示学习

    我们提出了 Prompted Contrast with Masked Motion Modeling (PCM3) 方法，通过互惠方式集成了对比学习和遮挡预测任务，极大地提高了在不同下游任务中的泛化能力。通过减少学习两个不同训练任务造成的干扰，并通过掩模预测为对比学习提供了新视角，指导了高级语义信息的预测训练。与现有的工作相比，在三个大规模数据集上进行了大量实验证明了 PCM3 方法的卓越泛化能力。

    Aug, 2023

  • 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

  • 基于增强骨架对比动作学习和动量 LSTM 的无监督动作识别

    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。

    Aug, 2020

  • 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

  • 通过跨视角一致性追求进行 3D 人体动作表征学习

    本研究提出了一种使用多视角补充监督信号的交叉视图对比学习框架，该框架涵盖了单视图对比学习和交叉视图一致性知识挖掘模块，能够在无监督设置下实现 NTU-60 和 NTU-120 数据集上卓越的动作识别结果。

    Apr, 2021