本文提出了一种新的框架 —— 基于原型相似性学习（PSL），该框架通过在特征中保留实例和类的信息来提高开放集行动识别问题的性能，并引入了视频洗牌来增加类特定信息。

Mar, 2023

本文提出了一种基于 Deep Evidential Action Recognition（DEAR）的方法，该方法通过模型校准、对抗学习等方式，对开放测试集中的动作进行识别，并有效介入了人体动作的静态偏差。实验表明，该方法应用于多个主流动作识别模型和基准测试中，均可获得显著的性能提升。

Jul, 2021

本文研究基于算法和数据集两个角度的方法，提出 Spatial-aware Multi-Aspect Debiasing（SMAD）算法和 OmniDebias 数据集平衡方法，以应对目前现有数据集偏差问题，从而实现更好的物体检测和场景识别效果。

Sep, 2022

本研究为纠正骨架动作识别中身体遮挡问题提出了 Trans4SOAR 模型，该模型利用三个数据流及混合注意力融合机制缓解遮挡造成的副作用，并在标准 SOAR 和部分遮挡 SOAR 上均取得了最新成果。

Feb, 2022

在自动机器人手术和计算机辅助干预领域中，理解机器人手术活动至关重要。为了解决真实世界中的开放场景挑战，我们引入了一种创新的开集手术活动识别（OSSAR）框架，通过使用超球面互补点策略增强特征空间中已知和未知类之间的差异，并通过改进模型校准来避免未知类被误分类为已知类。通过公开的 JIGSAWS 数据集以及我们自己收集的内窥镜黏膜下剥离的手术活动数据集，我们对我们的方法进行了广泛的对比和割离实验，结果表明我们的方法在现有最先进方法上取得了显著的提升。我们的方案可以有效处理真实世界手术场景的挑战。我们的代码可以在此 https URL 上公开访问。

Feb, 2024

我们提出了一种减轻场景偏差从而实现视频表示学习的方法，通过在行动分类的交叉熵损失中增加场景类型的对抗性损失和关于人类角色面罩混淆的损失，来鼓励学习能够在没有证据时无法预测场景类型和正确的行动的表示。我们的结果表明，相对于没有进行去偏置处理的基准模型，我们的预训练模型在行动分类、时间定位和时空行动检测等三个不同任务上均得到了一致的提升。

Dec, 2019

通过 Disentangled VIdeo representations of Action and Scene (DEVIAS) 提出了一种细分行动和场景表示的方法，利用 slot attention 和辅助任务来有效提高视频理解性能。

Nov, 2023

利用 FACTUAL 框架进行对抗训练和鲁棒性合成孔径雷达目标识别，通过引入逼真的物理对抗攻击方案和线性分类器级联的方法，在干净样本和扰动样本上预训练和微调后，模型在两种情况下的预测准确率分别达到 99.7% 和 89.6%，都优于现有最先进方法。

Apr, 2024

本文探讨了开放集骨架动作识别（OS-SAR）任务的挑战，并提出了一种基于距离的跨模态集成方法，通过对骨骼关节、骨头和速度进行交叉模态对齐，在训练过程中使用交叉模态均值最大差异抑制机制，测试过程中使用基于距离的交叉模态逻辑改进方法，从而实现优秀的开放集识别表现。该方法在各个数据集和底层模型上持续取得最先进的结果。

Dec, 2023

我们提出了一种新颖的针对物体感知的对比自我监督学习框架，通过首先局部化自我监督学习中的对象，然后通过考虑推断出的对象位置的适当数据增强来去偏置场景相关性，进而提高表示学习框架的有效性。

Jul, 2021