基于凸包自适应偏移的去偏骨骼动作识别
《INTERNATIONAL JOURNAL OF COMPUTER VISION》:De-biasing Skeleton-Based Action Recognition with Convex Hull Adaptive Shift
【字体:
大
中
小
】
时间:2026年09月21日
来源:INTERNATIONAL JOURNAL OF COMPUTER VISION 10.3
编辑推荐:
骨架序列可以表示个体动作和多实体交互,涵盖人体、手部、物体和机器人。现有的基于骨架的动作和交互识别方法通常采用晚期融合策略,该策略假设各个个体独立同分布,以便训练一个鲁棒的权重共享实体编码器。然而,在各种骨架数据中观察到的实体偏差违反了这一假设,导致骨干模型的最优化不足,可能
骨架序列可以表示个体动作和多实体交互,涵盖人体、手部、物体和机器人。现有的基于骨架的动作和交互识别方法通常采用晚期融合策略,该策略假设各个个体独立同分布,以便训练一个鲁棒的权重共享实体编码器。然而,在各种骨架数据中观察到的实体偏差违反了这一假设,导致骨干模型的最优化不足,可能产生错误的识别结果。这种偏差源于世界坐标系统的初始配置,其中原点的选择往往会在表示中产生偏差。为此,我们提出了一种基于凸包自适应平移的归一化方法来减少实体偏差(CHASE),从而在多种基于骨架的动作和交互识别任务中提升性能。为了自适应地将合理的平移动作施加于输入骨架,我们设计了一个即插即用的参数化网络,确保重新定位的世界原点位于骨架凸包之内,从而通过限制搜索空间来避免不收敛。为了进一步最小化实体偏差,我们引入了一个辅助目标,利用成对分布距离来指导网络优化。为了同时支持单实体和多实体动作,我们提出了一种子实体策略,为两种场景提供了一致的形式化框架。此外,CHASE 证明了其与各种骨架内模态(如骨骼和速度)的兼容性,突显了其适应性。本质上,我们的方法作为一种归一化方法来减少实体偏差,使后续分类器能够在多种设置下实现提升的识别性能。在七个数据集上进行了大量实验,包括 NTU RGB+D、NTU RGB+D 120、H2O、Assembly101、Collective Activity、Volleyball 和 HARPER,一致地验证了我们的方法,通过与各种骨干模型无缝集成并显著提升其性能。我们的代码已公开在 https://github.com/Necolizer/CHASE 。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号