PulseAugur
中
实时 07:21:37

新框架KineMIC增强了HAR的少样本动作合成

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了KineMIC，一个新颖的迁移学习框架，旨在通过利用CLIP文本嵌入进行运动蒸馏，来改进基于骨骼的人类活动识别（HAR）的少样本动作合成。该方法将通常为通用艺术动作训练的文本到运动扩散模型，适配到HAR的特定需求。通过仅使用NTU RGB+D 120数据集中的每个动作类别10个样本，KineMIC显著提高了运动连贯性，并提供了强大的数据增强来源，使HAR分类器的准确性提高了23.1%。 AI

影响 这项研究可能导致更有效、更高效的AI模型训练，以便从有限的数据中理解人类活动。

排序理由 该集群包含一篇详细介绍新动作合成框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新框架KineMIC增强了HAR的少样本动作合成

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Luca Cazzola, Ahed Alboody ·

    背景下的动力学挖掘：通过文本到运动蒸馏进行少样本动作合成

    arXiv:2512.11654v3 Announce Type: replace Abstract: The acquisition cost for large, annotated motion datasets remains a critical bottleneck for skeletal-based Human Activity Recognition (HAR). Although Text-to-Motion (T2M) generative models offer a compelling, scalable source of …

相关实体

相关话题