.png){kind=icon}
返回
Attack-Augmented Mixing-Contrastive Skeletal Representation Learning
.png){kind=icon}
PRE
AI
DOI：10.1109/TIP.2026.3659331.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
对比学习通过利用有效的正负样本对，促进了无监督动作识别中信息性骨架表示的获取。然而，大多数现有方法通过弱或强数据增强来构建这些样本对，这些增强通常依赖于骨架的随机外观变化。虽然此类增强在一定程度上有效，但它们仅间接引入语义变化，并存在两个固有局限性。首先，单纯修改骨架外观往往无法反映有意义的语义变化。其次，随机扰动可能会无意中模糊正负样本对的边界，削弱对比目标。为解决这些挑战，我们提出了一种基于攻击的增强框架，该框架明确引入语义级扰动。这种方法有助于生成硬正样本，同时引导模型挖掘更具信息量的硬负样本。基于此思想，我们提出了攻击增强混合对比骨架表示学习（A2MC），这是一种新型框架，专注于对比硬正和硬负样本，以实现更鲁棒的表示学习。在A2MC中，我们设计了一个攻击增强（Att-Aug）模块，该模块整合了目标（基于攻击）和非目标（基于增强）扰动，以生成信息性硬正样本。同时，我们提出了正负混合器（PNM），该混合器融合硬正和负特征，合成具有挑战性的硬负样本。这些样本随后用于更新混合记忆库，以实现更有效的对比学习。在三个公开基准上的全面评估表明，我们命名为A2MC的方法，其性能与现有最先进方法相当或更优。
Keyword:
Skeletal representation
action recognition
attack
contrastive learning
期刊
IF:
13.7
论文数:
1.0W
被引数:
8.4W
机构
引用论文
Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recognition用于基于骨架的动作识别的时空图卷积网络
OAAI
OAAI分享收藏
Self-supervised 3D Skeleton Action Representation Learning with Motion Consistency and Continuity
PREAI
分享收藏Advances in Adversarial Attacks and Defenses in Computer Vision: A Survey计算机视觉中对抗性攻击和防御的进展: 综述.png)
IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Prototypical Contrast and Reverse Prediction: Unsupervised Skeleton Based Action Recognition原型对比和反向预测: 基于无监督骨架的动作识别OAAI
OAAI分享收藏
查看更多内容