PKU-MMD
PulseAugur coverage of PKU-MMD — every cluster mentioning PKU-MMD across labs, papers, and developer communities, ranked by signal.
-
新方法处理异构骨架数据以实现动作识别
研究人员正在开发新的基于骨架的动作识别方法，该领域对于智能系统理解人类活动至关重要。一种方法通过提出一种基于Transformer的模型来统一表示，从而应对异构骨架数据的挑战，这些数据在不同来源的关节数量和拓扑结构上存在差异。另一种方法通过引入一种仅需要每个动作段一个帧的点监督框架来专注于减少标注工作量，即使在某些完全监督的方法之上也取得了有竞争力的结果。
-
新研究利用扩散模型和生成模型解决零样本骨架动作识别问题 · 已追踪 2 个来源
两篇新研究论文介绍了零样本骨架动作识别（ZSAR）的新方法，该任务旨在根据骨骼运动和文本描述识别未见过的动作。第一篇论文 TDSM-MM 利用多模态三元组扩散模型，该模型整合了 RGB 视觉线索作为稳定锚点，以改进骨骼数据重建和分类。第二篇论文 GenPrior 利用预训练的 Text-to-Motion 模型的生成先验来弥合语义-运动学鸿沟，优化类别原型，并在基准数据集上取得了最先进的成果。
-
New Attack Method Preserves Motion Quality in Skeleton Action Recognition
研究人员开发了一种新的方法，用于对基于骨骼的人体动作识别系统进行不可感知对抗性攻击。与先前引入明显扰动的方法不同，这种方法旨在保持运动数据的自然性。新技术使用基于分布的对抗性攻击和一种新颖的运动质量评估指标，该指标据称与人类感知更一致。实验表明，该方法在成功攻击动作识别器和保持修改后运动数据的质量方面都有效，引发了对当前系统鲁棒性的担忧。
-
新框架使用超bolic 几何进行基于骨骼的动作识别
研究人员开发了 SkelHCC，一个用于基于骨骼数据的单次动作识别的新框架。该方法利用超bolic 几何来更好地模拟人类运动的层次结构并将其与语言语义对齐。该框架还包含一个由 LLM 引导的缓存，用于高效推理，并在基准数据集上展示了卓越的性能。
-
DynaPURLS框架增强了基于骨架的动作识别
研究人员开发了DynaPURLS，一个旨在改进零样本基于骨架的动作识别的新框架。该方法使用大型语言模型生成详细的动作文本描述，包括全局运动和局部身体部位动态。DynaPURLS在推理过程中实时精炼这些文本表示，以更好地与视觉骨架数据对齐，在基准数据集上的表现显著优于现有方法。
-
新方法通过虚拟视角提升动作检测能力
研究人员开发了一种新的两阶段方法，用于改进未剪辑视频中的人类动作检测。该方法通过在训练期间从增强的虚拟视角提取运动特征来增强视角不变性。随后的阶段采用了一种新颖的视角不变时间编码器，利用选择性状态空间序列建模，来整合不同视角和时间尺度上的信息。与现有的最先进方法相比，该技术在PKU-MMD和BABEL基准测试中表现出卓越的性能。
-
面向零样本骨骼动作识别的增强扩散模型
研究人员开发了一种名为“面向骨骼-文本匹配的频率感知扩散模型”（FDSM）的新方法，以改进零样本骨骼动作识别。该方法解决了扩散模型中可能导致运动动态过度平滑的光谱偏差问题。FDSM 结合了语义引导的光谱残差学习和时间步长自适应光谱损失模块，以及基于课程的语义抽象，以更好地捕捉细粒度的运动细节。该方法在多个基准数据集上取得了最先进的结果。