面向动作质量评估的不确定性感知分数分布学习
计算机视觉与模式识别
2020-06-16 v1
摘要
近年来，从视频中评估动作质量引起了越来越多的关注。现有方法大多基于回归算法来解决此问题，这忽略了由多位裁判或其主观评价引起的分数标签中的内在模糊性。为解决此问题，我们提出了一种用于动作质量评估（AQA）的不确定性感知分数分布学习（USDL）方法。具体而言，我们将一个动作视为与一个分数分布相关联的实例，该分布描述了不同评估分数的概率。此外，在可获得细粒度分数标签（例如，动作的难度等级或来自不同裁判的多个分数）的情况下，我们进一步设计了一种多路径不确定性感知分数分布学习（MUSDL）方法，以探索分数的解耦成分。我们在包含各种奥林匹克动作和手术活动的三个AQA数据集上进行了实验，我们的方法在斯皮尔曼等级相关系数下达到了新的最优性能。
引用
@article{arxiv.2006.07665,
title = {Uncertainty-aware Score Distribution Learning for Action Quality Assessment},
author = {Yansong Tang and Zanlin Ni and Jiahuan Zhou and Danyang Zhang and Jiwen Lu and Ying Wu and Jie Zhou},
journal= {arXiv preprint arXiv:2006.07665},
year = {2020}
}
备注
CVPR2020