基于分布鲁棒优化的细粒度人物无关性微行为识别
计算机视觉与模式识别
2026-05-15 v3
摘要
微行为识别对于心理评估和人机交互至关重要。然而，现有方法在实际场景中常常难以实现，因为人与人之间的变异会导致相同的动作呈现不同的形式，阻碍鲁棒的泛化。为此，我们提出了人物无关性通用微行为识别框架，集成了分布鲁棒优化原理，以学习人物无关的表征。我们的框架包含两个即插即用组件分别作用于特征层和损失层。在特征层，时频对齐模块采用双分支设计来规范化人物特有的运动特征：时序分支应用 Wasserstein 正则化对齐以稳定动态轨迹，而频率分支引入方差引导的扰动以增强对人物特有频谱差异的鲁棒性。一致性驱动的融合机制整合两者。在损失层，小组不变正则化损失将样本划分为伪群，以模拟未见人物特有的分布。通过对边界案例加权和正则化子群方差，它迫使模型在易获或频繁样本之外进行泛化，从而增强对困难变异的鲁棒性。在大型 MA-52 数据集上的实验表明，我们的框架在准确率和鲁棒性方面均优于现有方法，在细粒度条件下实现稳定的泛化。
引用
@article{arxiv.2509.21261,
title = {Every Subtlety Counts: Fine-grained Person Independence Micro-Action Recognition via Distributionally Robust Optimization},
author = {Feng-Qi Cui and Jinyang Huang and Anyang Tong and Ziyu Jia and Jie Zhang and Zhi Liu and Dan Guo and Jianwei Lu and Meng Wang},
journal= {arXiv preprint arXiv:2509.21261},
year = {2026}
}
备注
Withdrawn by the authors due to accidental submissions of non-final manuscript versions. Both v1 and v2 contain an outdated framework figure, in which several module names are inconsistent with the finalized terminology used in the manuscript. This inconsistency may confuse readers about the structure and naming of the proposed method