PKU-MMD
PulseAugur coverage of PKU-MMD — every cluster mentioning PKU-MMD across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
GenPrior框架使用文本到运动先验进行零样本动作识别
研究人员推出GenPrior，一个新颖的框架，通过利用预训练的文本到运动（T2M）模型的生成先验来改进零样本骨骼动作识别。该方法通过提炼生成的运动序列中的运动学原型和类内离散度，解决了现有方法的语义-运动学差距。GenPrior利用门控网络整合来自运动数据的结构线索，同时减轻合成伪影，并通过挖掘高置信度的未见样本来精炼类原型。在NTU-60、NTU-120和PKU-MMD等基准数据集上的实验表明，GenPrior在零样本和广义零样本设…
-
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。