FineCausal：基于因果的可解释细粒度动作质量评估框架
计算机视觉与模式识别
2025-04-01 v1
摘要
动作质量评估（AQA）对于评估运动员表现、制定训练策略以及确保竞技体育中的安全至关重要。然而，现有的深度学习方法常作为黑盒子运行，易受虚假相关性影响，限制了其可靠性和可解释性。本文引入 FineCausal，一种基于因果的新型框架，在 FineDiving-HM 数据集上实现了领先的性能。我们的ethods 利用基于图注意力网络的因果干预模块来分离以人为中心的前景线索与背景干扰因素，并纳入时序因果注意力模块以捕捉动作阶段之间细粒度的时序依赖关系。这种双模块策略使 FineCausal 能够生成详细的时空表征，不仅实现了领先的评分性能，还提供关于哪些特征驱动评估的透明、可解释反馈。尽管 FineCausal 性能强劲，但需要大量专家知识来定义因果结构，并且依赖高质量标注，这些挑战我们作为未来研究方向予以讨论和解决。代码已公开于 https://github.com/Harrison21/FineCausal。
引用
@article{arxiv.2503.23911,
title = {FineCausal: A Causal-Based Framework for Interpretable Fine-Grained Action Quality Assessment},
author = {Ruisheng Han and Kanglei Zhou and Amir Atapour-Abarghouei and Xiaohui Liang and Hubert P. H. Shum},
journal= {arXiv preprint arXiv:2503.23911},
year = {2025}
}