Sep, 2023

SCD-Net: 自监督骨架动作识别的时空线索分解网络

PDF
TL;DR该研究采用一种名为 SCD-Net 的新型对比学习框架，通过引入解耦模块以及融合空间和时间领域的特征提取器，从而更好地编码骨架序列，提取明确的线索。通过结构约束改进的掩蔽策略增强背景关联，将掩蔽图像建模的最新发展应用于 SCD-Net，实验结果证明了该方法的有效性，明显优于现有的最先进方法。
contrastive learningskeleton-based action recognitionspatiotemporal representationsclues disentanglement networkmasked image modeling
发现论文，激发创造
  • 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

  • 基于骨骼的动作识别的解耦空时注意力网络

    提出一种新型的解耦空 — 时间注意力网络 (DSTA-Net) 用于基于骨架的动作识别，该网络只涉及注意块，无需知道关节位置或关节间的相互连接，通过使用解耦技术和空 — 时间注意力，能够更好地挖掘骨架数据的时间和空间特征，并在四个具有挑战性的数据集上实现最先进的性能表现。

    Jul, 2020

  • 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

  • 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

  • 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

  • 学习用于半监督动作识别的判别时空表示

    采用自适应对比学习策略和多尺度时间学习策略，提出一种新型半监督动作识别方法，用于改进少量标记数据下的时空推理能力，取得了比之前先进方法更优越的结果。

    Apr, 2024

  • 基于小波解耦对比增强网络的细粒度基于骨骼的动作识别

    通过使用小波 - 注意分离模块来解决骨骼动作识别中相似动作序列间的混淆和关注轨迹特征的细粒度对比增强模块，我们提出了一种骨骼动作识别方法。实验证明，我们的方法在面对混淆的细粒度动作时具有竞争力。

    Feb, 2024

  • 基于图像对比学习的基于骨架的动作识别

    本文提出了一个骨架动作识别的图形对比学习框架（SkeletonGCL）来探究跨所有序列的全局上下文，在多个上下文尺度上进行图对比学习，从而建立了一个新的训练范式，并可以无缝地融合到当前 GCNs 中，在 NTU60，NTU120 和 NW-UCLA 基准上获得了一致的改进。

    Jan, 2023

  • 基于骨架的动作识别的无监督空间时间特征增强与保真网络

    通过研究 unsupervised learning 在基于骨骼的动作识别中的过拟合问题，本文提出了 Unsupervised spatial-temporal Feature Enrichment and Fidelity Preservation framework (U-FEFP) 以生成丰富的分布式特征，包含骨骼序列的所有信息，并通过 t-SNE 图验证了 U-FEFP 在 unsupervised skeleton based action recognition 上学到了更有辨识力的特征。

    Jan, 2024