MAGR：用于持续动作质量评估的流形对齐图正则化
计算机视觉与模式识别
2024-11-05 v2
摘要
动作质量评估（Action Quality Assessment, AQA）旨在评估多样化的技能，但模型难以应对非平稳数据。我们提出持续 AQA（CAQA），利用稀疏的新数据来优化模型。特征重放可在不存储原始输入的情况下保留记忆。然而，静态旧特征与动态变化的特征流形之间的错位会导致严重的灾难性遗忘。为解决这一新问题，我们提出了流形对齐图正则化（Manifold-Aligned Graph Regularization, MAGR），该方法首先将偏离的旧特征对齐到当前特征流形，以确保表示的一致性；随后构建一个图，联合排列与质量分数对齐的旧特征和新特征。实验表明，MAGR 在 MTL-AQA、FineDiving、UNLV-Dive 和 JDM-MSA 分割数据集上的相关性增益分别高达 6.56%、5.66%、15.64% 和 9.05%，优于近期的强基线方法。这验证了 MAGR 在处理由非平稳技能变化引起的持续评估挑战方面的有效性。代码地址：https://github.com/ZhouKanglei/MAGR_CAQA
引用
@article{arxiv.2403.04398,
title = {MAGR: Manifold-Aligned Graph Regularization for Continual Action Quality Assessment},
author = {Kanglei Zhou and Liyuan Wang and Xingxing Zhang and Hubert P. H. Shum and Frederick W. B. Li and Jianguo Li and Xiaohui Liang},
journal= {arXiv preprint arXiv:2403.04398},
year = {2024}
}
备注
Accepted by ECCV 2024 as an oral paper