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
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
本文提出了一个基于对比学习的模型 SkeletonBYOL,以及一个结合了跨模型对抗学习(CMAL)和跨流协作学习(CSCL)的联合框架 ACL,用于骨架姿态下的行为识别任务。实验结果表明该方法在多个数据集和评估协议下均实现了优异的性能。
Jul, 2023
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
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
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
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
本研究提出了一种利用部分骨骼序列的局部关系的 Partial Spatio-Temporal Learning(PSTL)框架,并采用独特的时空屏蔽策略构建负样本无人机结构。该方法在 NTU-60、NTU-120 和 PKU-MMD 等基准测试中均取得了 SOTA 表现,并在实际评估中验证了方法的鲁棒性。
Feb, 2023
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