DuoCLR：用于基于骨架的人体动作分割的双代理对比学习
计算机视觉与模式识别
2025-09-09 v1
摘要
本文提出了一种对比表示学习框架，通过使用裁剪（单动作）骨架序列进行预训练来增强人体动作分割。与先前针对动作识别、基于孤立序列级表示的表示学习工作不同，所提出的框架侧重于利用多尺度表示并结合序列间变化。具体而言，它提出了一种新颖的数据增强策略"洗牌与变形"（Shuffle and Warp），利用多样化的多动作排列。后者有效辅助了对比学习中引入的两个代理任务：交叉排列对比（CPC）和相对顺序推理（ROR）。在优化中，CPC 通过对比不同排列中同一动作类的表示来学习类内相似性，而 ROR 通过预测两个排列之间的相对映射来推理类间上下文。这两个任务共同使双代理对比学习（DuoCLR）网络能够学习针对动作分割优化的多尺度特征表示。在实验中，DuoCLR 在裁剪骨架数据集上进行预训练，并在未裁剪数据集上进行评估，在多类和多标签动作分割任务中均展示了相对于最先进方法的显著提升。最后，进行了消融研究以评估所提出方法各组件的有效性。
引用
@article{arxiv.2509.05543,
title = {DuoCLR: Dual-Surrogate Contrastive Learning for Skeleton-based Human Action Segmentation},
author = {Haitao Tian and Pierre Payeur},
journal= {arXiv preprint arXiv:2509.05543},
year = {2025}
}
备注
ICCV 2025 accepted paper