DynaPURLS：用于基于骨架的零样本动作识别的动态精细化部件感知表示
计算机视觉与模式识别
2026-05-26 v2 人工智能
摘要
基于骨架的零样本动作识别（ZS-SAR）受限于依赖将骨架特征与静态、类别级语义对齐的主流方法，这种粗粒度对齐无法弥合见证类别与未见证类别之间的领域偏移，从而阻碍了细粒度视觉知识的有效迁移。为克服这些限制，我们引入了 DynaPURLS，一个统一框架，建立鲁健的多尺度视觉-语义对应关系，并在推理时动态精细化这些关系以增强泛化能力。我们的框架利用大语言模型生成分层文本描述，涵盖全局运动和局部身体部件动态。同时，一个自适应分区模块通过对骨架关节进行语义分组来产生细粒度视觉表示。为强化这种细粒度对齐以抵御训练-测试领域偏移，DynaPURLS 包含一个动态精细化模块。在推理时，该模块通过一个轻量可学习的投影来适应 incoming visual stream 中的文本特征。这种精细化过程由一个以置信度为导向且类别平衡的记忆库稳定，该记忆库减轻了来自噪声伪标签的误差传播。大规模基准数据集（包括 NTU RGB+D 60/120 和 PKU-MMD）上的大量实验表明，DynaPURLS 在已有工作之上显著优越，并取得了新的最佳记录。源代码已公开发布于 https://github.com/Alchemist0754/DynaPURLS。
引用
@article{arxiv.2512.11941,
title = {DynaPURLS: Dynamic Refinement of Part-Aware Representations for Skeleton-Based Zero-Shot Action Recognition},
author = {Jingmin Zhu and Anqi Zhu and James Bailey and Jun Liu and Hossein Rahmani and Mohammed Bennamoun and Farid Boussaid and Qiuhong Ke},
journal= {arXiv preprint arXiv:2512.11941},
year = {2026}
}
备注
Accepted by IEEE Transactions on Pattern Analysis and Machine Intelligence