AAAINov, 2022

基于层次一致对比学习及增长增强的骨架动作识别

PDF
TL;DR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。
发现论文，激发创造
  • 自监督基于骨架的动作识别的时空混合骨架序列对比学习

    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

  • 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

  • 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

  • 基于自监督的骨架行为识别的跨流对比学习

    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

  • 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

  • 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

  • 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

  • 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

  • 基于分层对比的无监督骨架动作表示学习

    本文提出了一种新的 Hierarchical Contrast (HiCo) 框架用于无监督骨架动作表示学习，不同于现有的基于对比度的解决方案，HiCo 框架在多个粒度级别中表示输入，并进行层次化对比，实验结果表明其在行动识别和检索方面达到了无监督骨架动作表示学习的最新技术水平，并具有良好的可转移性。

    Dec, 2022

  • 基于 Actionlet - 相关对比学习的无监督骨架动作识别

    本研究提出 Actionlet-Dependent Contrastive Learning 方法，用于骨骼动作识别中的自适应行为建模，该方法主要包括骨骼数据的动作区域提取、运动自适应数据转换、基于语义感知的特征汇聚等步骤，并通过实验验证了该方法的有效性。

    Mar, 2023