微动作识别的主动推理：EFE 指导的temporal采样与自适应学习
计算机视觉与模式识别
2026-03-10 v1
摘要
微动作是由无意识的神经和情感活动触发的微妙且瞬时运动，具有巨大的潜力用于人机交互和临床监测。然而，由于其低幅度、短持续时间和强烈的跨主体变异性，现有深度模型在低样本、噪声和跨主体条件下容易性能下降。本文提出一种基于主动推理的微动作识别框架，特点是 EFE 指导的temporal采样和不确定性感知的自适应学习。该模型在EFE指导下主动选择最具辨识力的时序片段，以实现动态观察和信息增益最大化。同时，由预测不确定性驱动的样本加权可减轻标签噪声和分布迁移的影响。在SMG数据集上的实验表明，所提方法有效， 在多个主流 backbone 上实现了一致的性能提升。消融研究确认，EFE指导的观察和自适应学习机制对性能提升至关重要。本工作提供了一个可解释且可扩展的时序行为建模范式，适用于资源有限且噪声环境下，具有广泛的应用前景，涵盖可穿戴传感、HCI和临床情感监测等领域。
引用
@article{arxiv.2603.07559,
title = {Active Inference for Micro-Gesture Recognition: EFE-Guided Temporal Sampling and Adaptive Learning},
author = {Weijia Feng and Jingyu Yang and Ruojia Zhang and Fengtao Sun and Qian Gao and Chenyang Wang and Tongtong Su and Jia Guo and Xiaobai Li and Minglai Shao},
journal= {arXiv preprint arXiv:2603.07559},
year = {2026}
}
备注
10 pages, accepted by CVPR 2026