- 基于拓扑感知的骨架动作识别的多层感知机
基于骨骼的动作识别中,提出了一种新颖的基于空间拓扑门控单元(STGU)的多层感知器(MLP)模型,通过捕捉编码所有关节之间空间依赖关系的共同出现的拓扑特征来实现对样本特定且完全独立的逐点拓扑注意力的建模,并在三个大规模数据集上取得了竞争性的 - 长尾基于骨架的动作识别的平衡表示学习
骨架动作识别在最近取得了显著进展,然而,在现实场景中存在数据不平衡是一个巨大的挑战,当前动作识别算法的性能在训练数据中存在严重类别不平衡时急剧下降,如何从不平衡的动作数据中学习无偏的表示是解决长尾动作识别问题的关键,本文提出了一种新颖的平衡 - 局部球谐函数改进基于骨架的手势动作识别
我们提出了一种特定设计的手势识别方法,利用相对角嵌入和局部球面谐波创建新颖的手势表示。我们在两个数据集上进行了广泛实验,证明了使用局部球面谐波表示的好处。
- ICMLSke2Grid: 面向动作识别的骨架到网格表示学习
该研究提出了 Ske2Grid,这是一个用于改进基于骨骼的动作识别的新型表示学习框架。Ske2Grid 通过在人体骨骼的一种新颖的网格表示上定义规则卷积操作来构建和学习一个紧凑的图像样式的网格块,并提出了三种新的设计来保证其双射属性和增强网 - MM通过互信息估计与最大化进行零样本基于骨架的动作识别
通过相互信息估计和最大化,我们提出了一种基于零样本骨骼动作识别的新方法,通过最大化视觉和语义空间之间的相互信息来进行分布对齐,并利用时间信息来估计相互信息,以增加观察到的帧数。
- 具有拓扑一致剪枝的小型图卷积网络
本文提出了一种新颖的幅值剪枝方法,通过重新参数化和两个监督双向网络来保证被提取的子网络具有拓扑一致性,从而显著增强了其泛化能力,本方法在基于图卷积神经网络的骨架动作识别任务上经过了广泛的实验证明。
- 适应性拓扑结构与知识蒸馏的联邦基于骨架的动作识别
本文提出了一种基于骨架的动作识别的联邦学习模式,通过自适应拓扑结构分离普适性与个性化,使用多粒度知识蒸馏对不同客户端和服务端之间的显著差异进行校准,从而在保护隐私的同时超越了同类联邦学习方法的表现。
- 基于骨架的动作识别中图卷积神经网络健壮性的傅里叶分析
本研究利用傅里叶分析探索了基于骨架的动作识别中图卷积神经网络的强健性和易损性,发现对抗训练是提高防御对抗攻击和常见损坏的实用方法,同时,它不能解释骨骼部分不完整性的易损性,这限制了傅里叶方法的应用。
- 克服拓扑集成视野:通过重新定义骨架拓扑感知增强基于骨架的动作识别
本文研究骨骼动作识别中图卷积网络 (Graph Convolutional Networks, GCNs) 的局限性,提出了一种新的三合一策略:利用图距离编码骨骼连接,强调骨骼序列的时间平均值,以及利用 BlockGC 进行关系配置的变化修 - TSGCNeXt: 基于动静态多图卷积的高效骨架动作识别方法及其具有长期学习潜力
本文提出了 TSGCNeXt,该方法在人类动作识别中使用图卷积神经网络结构,并通过动态 - 静态分离多图卷积和图卷积训练加速机制,有效地学习长时间序列的骨架动作特征,在大规模数据集 NTU RGB+D 60 和 120 上实现了先进的性能表 - 基于骨架的动作分析用于 ADHD 诊断
本文提出了一种基于骨骼动作识别的注意力缺陷多动障碍诊断系统,利用真实的多模式 ADHD 数据集和先进的检测算法。与传统方法相比,该方法在成本效益和性能方面均表现出色,适用于广泛的初步 ADHD 诊断和大规模筛查。
- 攻击即数据增强:面向对比骨架表示学习的研究
本文提出了一种针对骨架动作识别的对抗性强化增强方法(A^2MC),通过攻击和强化的协作方式生成高质量的数据样本,提高对骨骼结构的识别准确度。
- 基于对比度聚焦的视角不变自监督骨架动作识别学习
该研究提出了一种名为 FoCoViL 的自监督框架,使用对比损失函数学习共同的视图不变属性,进而获得更具判别能力的潜在表示,并通过自适应聚焦方法来增强对比学习以获得更清晰的聚类界限,该方法在无监督和有监督分类器上都表现良好。
- CVPR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 - ICLR基于双曲自适应学习的自监督骨架动作表示
提出一种采用超伸展自我调节学习(HYSP)来学习基于骨骼的动作表示的新方法,它采用自监控和超伸展不确定性来确定算法学习的步伐,并在三个已建立的基于骨骼的动作识别数据集中实现了当前最先进的性能。
- AAAI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 - 基于卷积神经网络的基于骨架的人体动作识别
本文探讨了基于骨架的动作识别在人类动作识别数据集方面的优势,以及深度学习算法在该领域中的应用。同时,研究表明,通过适当的训练技巧、数据增强和优化器,卷积神经网络可以达到与图神经网络相媲美的效果。实验在 NTU-60 数据集上取得了 95% - ICLR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- - AAAI基于层次一致对比学习及增长增强的骨架动作识别
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 - 基于骨架的动作识别语言监督训练
本研究提出了一种基于骨架的动作识别的语言监督训练方法。该方法利用了大规模的语言模型作为知识引擎,生成描述动作的文本描述,为不同的身体部位生成特征向量,并通过语言编码器监督骨架编码器进行动作表示学习,相对于其他模型,达到了新的技术水平。