实体
Skeleton Action Recognition Based on Multi-Stream Spatial Attention Graph Convolutional SRU Network
Skeleton Action Recognition Based on Multi-Stream Spatial Attention Graph Convolutional SRU Network
PulseAugur coverage of Skeleton Action Recognition Based on Multi-Stream Spatial Attention Graph Convolutional SRU Network — every cluster mentioning Skeleton Action Recognition Based on Multi-Stream Spatial Attention Graph Convolutional SRU Network across labs, papers, and developer communities, ranked by signal.
总计 · 30天
0
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
0
90 天内 2
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 2 条
-
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。
-
新研究量化了分布偏移下每类覆盖的成本
研究人员分析了在训练和测试数据之间发生分布偏移时，识别系统中实现有效每类覆盖的成本。他们发现，虽然分裂保形预测（split conformal prediction）能保持边际覆盖，但每类覆盖可能严重失败。该研究提出了恢复每类有效性的方法，指出每类少量目标标签就足够了，但同时实现效率和有效性需要更多的标签，其数量与类别数量和效率损失容忍度成正比。一项使用骨架动作识别的案例研究表明，仅使用源标签进行每类校准就能恢复相当一部分覆盖差距。