Skeleton-Contrastive 3D 行为表示学习
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
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
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
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
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
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
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
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