通过自适应流形对齐图正则化实现持续动作质量评估
计算机视觉与模式识别
2025-10-09 v1
摘要
动作质量评估（AQA）对视频中的人类动作进行量化，支持体育计分、康复训练和技能评估等应用。其主要挑战在于现实场景中质量分布的非平稳性，限制了常规方法的泛化能力。我们引入持续AQA（CAQA），为AQA系统集成持续学习（CL）能力，以处理演化分布并缓解灾难性遗忘。虽然对预训练模型进行参数高效微调在图像分类的CL中显示出前景，但我们发现其对CAQA不足。我们的经验和理论分析揭示了两个见解：（i）全参数微调（FPFT）是有效表征学习所必需的；然而（ii） uncontrolled FPFT 会导致过拟合和特征流形偏移，从而加剧遗忘。为此，我们提出自适应流形对齐图正则化（MAGR++），其将背板微调耦合：稳定浅层同时适应深层，配合两步特征校正流程：流形投影器将偏离的历史特征转换到当前表征空间，图正则化对齐局部和全局分布。我们构建了四个CAQA基准测试，来自三个数据集，配合量身定制的评估协议和强基线，实现系统化的跨数据集比较。大量实验表明，MAGR++ 在最强基线上实现了平均相关性提升，分别达到离线 3.6% 和在线 12.2%，验证了其鲁棒性和有效性。我们的代码已公开于 https://github.com/ZhouKanglei/MAGRPP。
引用
@article{arxiv.2510.06842,
title = {Continual Action Quality Assessment via Adaptive Manifold-Aligned Graph Regularization},
author = {Kanglei Zhou and Qingyi Pan and Xingxing Zhang and Hubert P. H. Shum and Frederick W. B. Li and Xiaohui Liang and Liyuan Wang},
journal= {arXiv preprint arXiv:2510.06842},
year = {2025}
}
备注
Extended Version of MAGR (ECCV 2024 Oral Presentation)