Parts-Mamba：用于遮挡人体骨架的部件级扫描增强联合上下文
计算机视觉与模式识别
2025-11-24 v1
摘要
骨架动作识别涉及从人体骨架中识别人类动作。图卷积网络(GCN)的使用推动了这一识别任务取得重大进展。在实际场景中，捕获的骨架可能不完美或不完整，因为人体部分部位遮挡或通信质量较差，导致骨架或视频中缺失部分。在此类非理想情况存在时，现有GCN模型因缺失局部上下文而表现不佳。为解决这一局限性，我们提出Parts-Mamba，一种设计用于增强捕获和保持来自远端关节上下文信息的混合GCN-Mamba模型。 proposed Parts-Mamba模型通过其部件特定扫描功能有效捕获部件特定信息，并通过部件-身体融合模块保留非相邻关节上下文。我们在不同遮挡设置下对所提模型在NTU RGB+D 60和NTU RGB+D 120数据集上进行评估，准确率提升最高可达12.9%。
引用
@article{arxiv.2511.16860,
title = {Parts-Mamba: Augmenting Joint Context with Part-Level Scanning for Occluded Human Skeleton},
author = {Tianyi Shen and Huijuan Xu and Nilesh Ahuja and Omesh Tickoo and Philip Shin and Vijaykrishnan Narayanan},
journal= {arXiv preprint arXiv:2511.16860},
year = {2025}
}