We introduce Point2Skeleton, an unsupervised method to learn skeletal
representations from point clouds. Existing skeletonization methods are limited
to tubular shapes and the stringent requirement of watertight
通过无监督学习和骨骼云彩化技术,在没有标注的骨骼序列数据中学习骨骼表示,并使用自编码器框架从由骨骼关节的人工彩色标签中学习时空特征,实现 3D 动作识别。在 NTU RGB+D 和 NW-UCLA 数据集上的实验结果表明,所提出的方法在无监督和半监督 3D 动作识别中表现出色,也在有监督 3D 动作识别方面取得了良好的性能。
本文提出了一种自监督的方法,设计了一种新颖的骨骼云着色技术,并通过骨骼序列数据的无标签学习学习骨骼的空间和时态表示。该方法在不同配置下训练的线性分类器上评估,并在多个数据集上进行了广泛的实验。结果表明,该方法在无监督和半监督 3D 动作识别方法中取得了很大的提升,并且在监督 3D 动作识别方面也取得了竞争性能。