Action Quality Assessment
PulseAugur coverage of Action Quality Assessment — every cluster mentioning Action Quality Assessment across labs, papers, and developer communities, ranked by signal.
-
新框架通过过滤背景噪声增强动作质量评估
研究人员开发了一个新的动作质量评估（AQA）框架，旨在通过关注内在运动特征和减少视频背景噪声来提高准确性。该姿态引导内在运动蒸馏框架利用动作单元解析器根据人体姿态创建感兴趣区域，从而有效过滤掉背景杂波。此外，双流机制将运动细节与环境因素分开，从而实现更精确的分析。该方法在动作分割和评分准确性方面都在多个数据集上展示了最先进的性能。
-
MoAKE框架提供统一的动作质量评估方法 · 跟踪到2个来源
研究人员推出了一种新颖的统一“一体化”动作质量评估（AQA）框架MoAKE。与之前需要为每种动作类型配备单独模型的方法不同，MoAKE采用专家混合机制，在一个模型中动态评估各种动作。该方法通过学习互补的专家来捕捉不同的动作模式并自适应地聚合它们的知识，从而减轻了负面知识转移。该框架还包括一个用于建模时间动态的模块，并为“一体化”以及零样本/少样本AQA建立了新的基准，展示了显著的性能提升。
-
DualAlign框架通过多模态融合增强动作质量评估
研究人员推出了一种新颖的两阶段框架DualAlign，旨在通过有效融合多模态数据来改进动作质量评估（AQA）。该方法首先稳定来自RGB、光流和骨骼数据的视觉表示，然后再纳入文本语义，从而解决了跨模态不对齐和标注成本高昂等挑战。为了支持这项研究，创建了一个名为MM--JDM的新数据集，其中包含多样化的多模态输入以及真实的噪声、类别不平衡和标签稀疏性。实验表明，DualAlign在MM--JDM和其他基准测试上的表现显著优于现有方法，并且…
-
新AI框架改进中医康复训练评估 · 跟踪2个来源
研究人员开发了CME-AQA，一个使用计算机视觉评估中医康复训练的新框架。该系统集成了视觉姿态融合，并利用第一人称和第三人称视频视角来克服单视角骨骼数据的局限性，特别是对于涉及复杂手部-物体交互和自遮挡的针灸和推拿等技术。该框架在针深和快速进针等关键任务上实现了超过10%的加权F1分数提升，证明了其在提高结构化中医训练评估准确性方面的有效性。
-
LLM框架LIMSSR解决训练数据不完整情况下的多模态学习问题
研究人员开发了LIMSSR，一个新颖的多模态学习框架，解决了训练过程中缺失数据的问题。与假设数据完整的先前方法不同，LIMSSR利用大型语言模型（LLMs）通过提示引导的插补和融合来推断缺失信息。这种方法旨在通过避免直接重建和减轻幻觉来提高多模态任务中的数据效率。