.png){kind=icon}
返回
Self-Supervised Hyperbolic Spectro-Temporal Graph Convolution Network for Early 3-D Behavior Prediction
.png){kind=icon}
OA
AI
DOI：10.1109/TCDS.2025.3561422.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
三维人类行为是一个高度非线性的时空交互过程。因此，早期行为预测是一项具有挑战性的任务，尤其是在无监督模式下对低观察率下的预测。为此，我们提出了一种新颖的自监督早期三维行为预测框架，该框架在双曲流形上学习图结构。首先，我们采用多动态关键信息的序列构造来扩展时空行为序列的关键细节，以解决时空交互中帧间的高冗余问题。其次，为了捕捉长距离关节之间的依赖关系，我们探索了一种独特的双曲流形上的图拉普拉斯算子，以感知帧内的细微局部差异。最后，我们利用在不同观察率下学习到的时空特征进行渐进式对比，形成自监督信号。这促进了在无监督模式下从早期行为序列中提取更具判别性的全局和局部时空信息。在三个行为数据集上的大量实验证明了我们的方法在低到中等观察率下的优越性。
Keyword:
Early 3-D behavior prediction
hyperbolic manifold
self-supervised learning
spatiotemporal interaction
期刊
IF:
4.9
论文数:
1.1K
被引数:
3.5K
机构
引用论文
.png){kind=icon}
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
Adaptive Graph Convolutional Network With Adversarial Learning for Skeleton-Based Action Prediction
PREAI
分享收藏
查看更多内容