基于骨架的动作识别中的严重领域偏移：真实健身环境下不确定性失效研究
计算机视觉与模式识别
2026-03-17 v1
摘要
从受控多视角 3D 骨架捕获过渡到不受约束的单目 2D 姿态估计的实际部署之间的差距，引入了复合型领域偏移，其安全性影响仍受到严重不足的关注。我们使用新颖的 Gym2D 数据集（风格/视点偏移）和 UCF101 数据集（语义偏移）系统性地研究了这一严重领域偏移。我们的骨架 Transformer 在 NTU-120 上实现了 63.2% 的跨主体准确率，但在零样本迁移到 Gym 领域时仅为 1.6%，在 UCF101 上为 1.16%。关键的是，我们证明了高于分布（OOD）检测 AUROC 并不保证安全的选择性分类。标准不确定性方法未能检测到这一性能下降：模型在两组 OOD 数据集上仍保持 99.6% 的置信度，即便覆盖率为 50%。尽管能量基于评分（AUROC >= 0.91）和马哈拉诺斯距离提供了可靠的分布检测信号，但这些高 AUROC 分数与实际决策下的风险覆盖率表现不佳 coexist。轻量级微调门控机制恢复了校准效果，使模型能够优雅地中止，从而显著减少了置信错误预测的比例。我们的工作挑战了标准部署假设，为语义和几何骨架识别部署的原则性安全分析提供了依据。
引用
@article{arxiv.2603.15574,
title = {Severe Domain Shift in Skeleton-Based Action Recognition:A Study of Uncertainty Failure in Real-World Gym Environments},
author = {Aaditya Khanal and Junxiu Zhou},
journal= {arXiv preprint arXiv:2603.15574},
year = {2026}
}
备注
6 pages, 7 figures