基于图卷积网络新颖性不确定性测度的人类活动理解

理解人类活动是开发智能机器人尤其是在人机协作领域的关键方面。然而，现有系统面临诸多挑战，例如由于解码器上采�过程中的错误而导致的过度分割问题。为此，我们引入了一种有前景的解决方案：时序融合图卷积网络。这种创新方法旨在纠正活动流中单个动作边界估计的不足，并缓解在时序维度上发生的过度分割问题。此外，依赖于人类活动识别框架进行决策的系统不仅需要动作的识别，还需要一种表明观察结果与训练示例对应关系确定性的置信度值。这至关重要，以防止对未曾参与训练的意外情形做出过于自信的回应，而这些情形可能因系统内部弱相似性测度导致匹配不匹配。为此，我们提出了在谱归一化残差连接中引入该方法，以增强对观察新颖性估计的效率。这种创新方法确保通过对权重更新的最大梯度施加约束来保持输入在特征空间中的距离。通过限制这些梯度，我们促进了对新情况的更稳健处理，从而减轻了对过度自信风险的威胁。我们的 методology 采用高斯过程来量化特征空间中的距离。