基于骨架动作识别的自举表示学习
计算机视觉与模式识别
2022-04-20 v2
摘要
在本工作中，我们研究用于基于3D骨架的动作识别的自监督表示学习。我们将Bootstrap Your Own Latent (BYOL)扩展到骨架序列数据的表示学习，并提出了一种包含两条非对称变换流水线的新数据增强策略。我们还引入了一种多视角采样方法，利用不同相机捕获的同一动作的多重视角。在半监督设定下，我们表明通过来自更宽网络的知识蒸馏，并再次利用无标签样本，性能可进一步提升。我们在NTU-60和NTU-120数据集上进行了大量实验，以证明我们所提方法的性能。我们的方法在线性评估和半监督基准上都持续优于当前最先进水平（SOTA）。
引用
@article{arxiv.2202.02232,
title = {Bootstrapped Representation Learning for Skeleton-Based Action Recognition},
author = {Olivier Moliner and Sangxia Huang and Kalle Åström},
journal= {arXiv preprint arXiv:2202.02232},
year = {2022}
}
备注
Accepted: 2022 IEEE CVPR Workshop on Learning with Limited Labelled Data for Image and Video Understanding (L3D-IVU)