返回
Representation learning for skeleton-based action recognition from a causal perspective
DOI:10.1016/j.knosys.2025.114948.png)
摘要
En 中文
• 我们为对比动作表示学习引入了一种结构因果模型,明确建模了导致学习到的表示产生偏差的混淆因素。
• 提出了一种基于频谱信息的非因果扰动策略,在保留动作语义的同时,引导正样本对朝向频谱特定的保持性。
• 将一个前门专家编码器整合到多专家框架中,以实现对对比学习中多样化时空特征的无偏推断。
• 在三个基准数据集上的大量实验表明,该方法在更少可学习参数的情况下达到了最先进性能。
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
Causality-inspired representation learning for weakly supervised skeleton-based action recognition因果启发的弱监督骨骼动作识别表示学习
AGMS-GCN: Attention-guided multi-scale graph convolutional networks for skeleton-based action recognitionAGMS-GCN:基于注意力引导的多尺度图卷积网络用于骨骼动作识别
NTU RGB+D 120: A Large-Scale Benchmark for 3D Human Activity UnderstandingNTU RGB D 120: 3D人类活动理解的大规模基准

