跨数据集骨架动作识别的完整动作恢复

尽管骨架基方法在骨架动作识别方面取得了巨大进展，但在不同域之间的泛化性仍是具有挑战性的难题。为解决骨架动作的跨域泛化问题，本文提出一种基于新颖完整动作先验的恢复-抽样数据增强框架。我们观察到，人类日常动作在不同数据集之间存在时间错位，因为它们通常是完整动作序列的局部观察。通过恢复完整动作并从中抽样，可为不可见域生成强大的增强数据。同时，我们发现大数据集中存在动作完整性的本质特征，体现在帧随时间的多样性上。这使得我们能够利用两类可迁移知识：用于确定动作起始的边界姿态，以及捕捉全局动作模式的线性时序变换。因此，我们将恢复阶段建模为基于边界姿态条件的外推 followed by 光滑线性变换的两步随机动作完成。边界姿态与线性变换可通过聚类从整个数据集中高效学习。我们在跨数据集设置下进行验证，使用三组骨架动作数据集，显著优于其他领域泛化方法。