Affinity Contrastive Learning for Skeleton-Based Human Activity Understanding

doi:10.1109/TBIOM.2026.3652637

Affinity Contrastive Learning for Skeleton-Based Human Activity Understanding

2026-03-01

0

PRE

AI

DOI：10.1109/TBIOM.2026.3652637

原文链接

原文求助

摘要

En 中文

在基于骨架的人体活动理解中，现有方法通常采用对比学习范式来构建判别性特征空间。然而，许多此类方法未能利用类间结构相似性，并忽略了异常正样本的影响。本研究提出ACLNet（亲和对比学习网络），通过探索人体活动类别间的复杂聚类关系来提升特征判别性。具体而言，我们提出了一种亲和度度量来优化相似性测量，从而形成提供更丰富对比信号的活动超类。同时引入动态温度调度机制，以自适应调整不同超类的惩罚强度。此外，采用基于边界的对比策略来增强类内困难正负样本的分离度。在NTU RGB+D 60、NTU RGB+D 120、Kinetics-Skeleton、PKU-MMD、FineGYM和CASIA-B等数据集上的大量实验表明，该方法在基于骨架的动作识别、步态识别和人重识别任务中表现优异。源代码可访问https://github.com/firework8/ACLNet

Keyword:

Contrastive learning

Skeleton

Biometrics

Semantics

Artificial intelligence

Temperature measurement

Measurement

Gait recognition

Feature extraction

Writing

Human activity understanding

skeleton

graph convolutional networks

contrastive learning

Affinity Contrastive Learning for Skeleton-Based Human Activity Understanding

摘要

期刊

机构

引用论文