面向跨人活动识别的多样化类间与类内活动风格融合
机器学习
2024-07-02 v2 人工智能
摘要
现有的域内泛化（DG）方法在跨人活动识别任务中常面临无法捕捉类间和类内风格多样性，导致与目标域之间存在域间差距的问题。本研究从全新视角入手，提出“域填充”（domain padding）的概念，以合成类内和类间风格数据来丰富域的多样性，同时保持对类别标签的鲁棒性。我们采用条件扩散模型实现这一概念，并引入风格融合抽样策略以提升数据生成的多样性。与传统基于条件引导的抽样方法相比，我们的风格融合抽样策略允许使用一个或多个随机风格来指导数据合成。该特性具有显著优势：能够最大化利用现有风格的所有可能排列和组合，以生成广泛的新风格实例。在广泛的数据集上的实证评估表明，我们生成的数据在域空间内实现了显著的多样性。无论是类内还是类间生成数据，都对各类性能提升贡献显著。值得注意的是，在所有人类活动识别任务中，我们的方法均超越了最先进的 DG 方法。
引用
@article{arxiv.2406.04609,
title = {Diverse Intra- and Inter-Domain Activity Style Fusion for Cross-Person Generalization in Activity Recognition},
author = {Junru Zhang and Lang Feng and Zhidan Liu and Yuhan Wu and Yang He and Yabo Dong and Duanqing Xu},
journal= {arXiv preprint arXiv:2406.04609},
year = {2024}
}
备注
The 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2024)