DoGCLR：基于支配博弈的骨架基础动作识别对比学习网络
计算机视觉与模式识别
2025-11-20 v2
摘要
现有的骨架基础动作识别自监督对比学习方法常对所有骨架区域均匀处理，并采用先进先出 (FIFO) 队列存储负样本，导致运动信息丢失和负样本选择非最优。为此，本文提出基于博弈论的支配博弈对比学习网络用于骨架基础动作识别 (DoGCLR)，一种基于支配博弈的自监督框架。DoGCLR 将正负样本构建建模为动态支配博弈，样本类型相互作用以达到平衡，既保持语义又增强判别性。具体而言，一种时空双重权重局部化机制识别关键运动区域，引导区域级增强以提升运动多样性同时保持语义。在此基础上，一种熵驱动的支配策略管理内存库，通过保留高熵 (硬) 负样本和替换低熵 (弱) 负样本，确保持续接触信息丰富的对比信号。在 NTU RGB+D 和 PKU-MMD 数据集上进行了大量实验。在 NTU RGB+D 60 X-Sub/X-View 上，DoGCLR 达到 81.1%/89.4% 准确率；在 NTU RGB+D 120 X-Sub/X-View 上，DoGCLR 达到 71.2%/75.5% 准确率，分别超越最先进方法 0.1%、2.7%、1.1% 和 2.3%。在 PKU-MMD Part I/Part II 上，DoGCLR 表现与最先进方法相当，并在 Part II 上提高了 1.9% 的准确率，凸显其在更具挑战性场景中的强大鲁棒性。
引用
@article{arxiv.2511.14179,
title = {DoGCLR: Dominance-Game Contrastive Learning Network for Skeleton-Based Action Recognition},
author = {Yanshan Li and Ke Ma and Miaomiao Wei and Linhui Dai},
journal= {arXiv preprint arXiv:2511.14179},
year = {2025}
}
备注
14 pages, 7 figures, journal