Jan, 2024

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

PDF
TL;DR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。
unsupervised skeleton based action recognitionoverfitting problemunsupervised spatial-temporal feature enrichment and fidelity preservation frameworku-fefpt-sne illustrations
发现论文，激发创造
  • 基于骨架的非监督动作识别和聚类

    我们提出了一种新颖的无监督骨架动作识别系统，该系统基于编码器 - 解码器递归神经网络，可以无需提供任何标签或摄像头深度输入，并可在各维度的身体关键点（2D 或 3D）和附加提示描述移动的情况下操作，并将其与最新的无监督骨架方法进行比较。方法表现出更好的交叉视图性能，且与有监督骨架动作识别表现相似。

    Nov, 2019

  • MS$^2$L：基于骨架的动作识别的多任务自监督学习

    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

  • 使用预训练的深度骨架特征和提示引导的零 - shot 异常动作识别

    运用无监督异常行为识别方法，基于骨架提取特征，提出了具有领域无关性、鲁棒性和零样本学习框架，通过用户提示嵌入与骨架特征的相似度计分，间接补充正常行为，加强了基于骨架的方法的可靠性，能够有效地识别异常事件。

    Mar, 2023

  • 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

  • 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

  • 基于骨架的多粒度时空图神经网络学习用于动作识别

    本文提出了一种新的基于骨架的动作分类方法，使用多层次空间时间图网络联合建模粗粒度和细粒度骨架运动模式，并采用双头图网络和跨头部通信策略来提取两个时空分辨率的特征，实验证明该方法在三个大规模数据集上取得了最先进的性能。

    Aug, 2021

  • 基于骨架的同步本地和非本地时空学习和频率注意的动作识别

    该研究提出了一种同时提取时域和频域信息中详细和语义信息的方法，包括残差频率注意（rFA）块和同步本地和非本地（SLnL）块，以及软边缘焦点损失（SMFL）来优化学习过程，并在几个大规模数据集上明显优于其他现有方法。

    Nov, 2018

  • 基于自监督的部分时空骨骼序列动作表示学习

    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

  • 基于骨架的动作识别中学习判别性表示

    本文提出了一个辅助的特征细化头（FR Head），通过空间 - 时间分解和对比特征细化来识别骨架的歧义样本，从而强化对多层的监督，并在多个数据集上进行了广泛的实验，得到了与最先进方法相竞争的结果。

    Mar, 2023

  • 基于多尺度时空骨架匹配的一次性动作识别

    本文提出一种新的一次性骨架动作识别技术，通过多尺度空间和时间特征匹配处理骨架动作识别，实现了优秀、卓越的一次性骨架动作识别，并在诸多大规模数据集上，持续超越当前最先进的方法。

    Jul, 2023