通过跨视角一致性追求进行 3D 人体动作表征学习
本文提出了一种基于骨架的自监督动作识别框架，采用跨流对比学习来设计硬样本对，结合积极变换策略，提高了对复杂动作模式的处理能力，并表现出优于三个基准数据集的效果。
May, 2023
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
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
基于骨骼的动作识别的训练方法之一是基于监督学习的独热分类，这需要大量的预定义动作类别注释；而基于自监督学习的方法涉及预处理任务中的骨架变换，可能会损害骨架结构。为了解决这些挑战，我们引入了一种新颖的基于骨骼的训练框架（C$^2$VL），基于跨模态对比学习，使用渐进蒸馏从视觉 - 语言知识提示中学习无关任务的人类骨架动作表征。
May, 2024
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
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
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
提出了一种简单高效的跨视角动作识别（CVAR）框架，能够从 RGB 视频、3D 骨架数据或两者学习不变特征。在 N-UCLA、NTU-RGB+D 60、NTU-RGB+D 120 和 UWA3DII 数据集上，该方法表现出优异的性能，分别达到了 99.4％（RGB）、99.9％（3D 骨架）
May, 2023
本文提出了一种基于对比学习的无监督骨架动作识别方案，其中包括自适应的对比学习方法和基于拓扑信息的骨架混合数据增强策略，证明该方案在多个数据集上实现了最先进的性能。
Jul, 2022
该研究提出一种新颖的表示学习方法，在交叉视角相互信息最大化的训练下，从 2D 人体姿势中区分依赖于姿势和视角的因素，并且追加两个正则化项以确保所学习的表示的分离和平滑性，并将其应用于交叉视角的动作识别中。
Dec, 2020