EnsAug：面向人体运动序列分析的增强驱动的集成
计算机视觉与模式识别
2026-03-10 v1 机器学习
摘要
数据增强是训练鲁棒深度学习模型的关键技术，用于人体运动，因为标注数据集常常有限。然而，通用增强方法常常忽视人体的几何和运动学约束，风险在于生成不真实的运动模式，从而影响模型性能。此外，常规做法是对由所有可用变换混合组成的数据集上训练单个通用模型，未能充分利用每种独特增强类型提供的独特学习信号。我们挑战这一惯例，提出一种新颖的训练范式 EnsAug，通过战略性地使用增强技术在集成中培育模型多样性。我们的方法涉及训练一组专家模型，其中每个模型仅通过单一独特几何变换augmented的数据学习。在手语和人体活动识别基准数据集上的实验表明，我们的多样化集成方法显著优于训练单个模型在组合增强数据集上的常规做法，在两个手语和一个人体活动识别数据集上实现最先进的准确率，同时提供更大的模块性和效率。我们的主要贡献是对这种训练策略的经验验证，为利用骨骼运动分析中的数据增强建立了有效的基准。
引用
@article{arxiv.2603.06661,
title = {EnsAug: Augmentation-Driven Ensembles for Human Motion Sequence Analysis},
author = {Bikram De and Habib Irani and Vangelis Metsis},
journal= {arXiv preprint arXiv:2603.06661},
year = {2026}
}