面向动作质量评估的分组感知对比回归
计算机视觉与模式识别
2021-08-18 v1 人工智能
机器学习
摘要
由于视频间细微差异与分数上的巨大变化，评估动作质量具有挑战性。大多数现有方法通过从单个视频回归质量分数来解决此问题，深受视频间大分数变化之扰。本文中，我们表明视频间的关系可在训练与推理时为准确的动作质量评估提供重要线索。具体而言，我们将动作质量评估问题重新表述为参照另一具有共享属性(如类别与难度)的视频回归相对分数，而非学习无参照的分数。遵循此表述，我们提出一种新的对比回归(CoRe)框架，通过成对比较学习相对分数，其凸显了视频间差异并引导模型学习评估的关键线索。为进一步利用两视频间的相对信息，我们设计了一个分组感知回归树，将传统的分数回归转化为两个更简单的子问题：由粗到细的分类与小区间内的回归。为证明CoRe的有效性，我们在包括AQA-7、MTL-AQA与JIGSAWS的三个主流AQA数据集上进行了广泛实验。我们的方法大幅优于先前方法，并在所有三个基准上确立了新的SOTA。
引用
@article{arxiv.2108.07797,
title = {Group-aware Contrastive Regression for Action Quality Assessment},
author = {Xumin Yu and Yongming Rao and Wenliang Zhao and Jiwen Lu and Jie Zhou},
journal= {arXiv preprint arXiv:2108.07797},
year = {2021}
}
备注
Accepted to ICCV 2021