超越运动模式：人类运动理解的物理力量实证研究
计算机视觉与模式识别
2025-12-24 v1
摘要
人类运动理解通过基于视觉的方法在识别、跟踪和描述方面取得了快速进展。然而,大多数现有方法忽略了诸如关节驱动力量等物理线索,而这些线索在生物力学中是基本要素。此差距激发了我们的研究动力:物理推断的力量在何时何地能提升运动理解？通过将力量纳入既定的运动理解管线,我们在三个主要任务上系统评估了其影响:步态识别、动作识别和细粒度视频描述。在 8 个基准数据集上,纳入力量的做法均实现了一致的性能提升;例如在 CASIA-B 上,步态识别准确率从 89.52% 提升至 90.39%（提升 0.87%），在穿着外套和侧视等具挑战性条件下提升更为显著：分别提升 2.7% 和 3.0%。在 Gait3D 上,性能也由 46.0% 提升至 47.3%（提升 1.3%）。在动作识别方面,CTR-GCN 在 Penn Action 上提升 2.00%，而拳击/掌击等高强度类别提升了 6.96%。即便在视频描述任务中,Qwen2.5-VL 的 ROUGE-L 分数也由 0.310 提升至 0.339（提升 0.029），表明物理推断的力量能显著增强时序定位和语义丰富性。这些结果表明,在动态、遮挡或外观变化的条件下,力量线索可显著补充视觉和运动学特征。
引用
@article{arxiv.2512.20451,
title = {Beyond Motion Pattern: An Empirical Study of Physical Forces for Human Motion Understanding},
author = {Anh Dao and Manh Tran and Yufei Zhang and Xiaoming Liu and Zijun Cui},
journal= {arXiv preprint arXiv:2512.20451},
year = {2025}
}