UTAL-GNN: 基于图神经网络的无监督时序动作定位
计算机视觉与模式识别
2025-08-28 v1
摘要
在未剪辑体育视频中实现细粒度动作定位面临重大挑战，原因在于短时间内快速且细微的运动转换。现有的监督和弱监督解决方案通常依赖大量标注数据集和高容量模型，使其计算密集且对现实场景的适应性较差。在本工作中，我们提出了一种轻量级且无监督的基于骨架的动作定位流水线，利用时空图神经表示。我们的方法通过在带有分块划分的姿态序列去噪任务上预训练一个基于注意力的时空图卷积网络（ASTGCN），使其无需任何人工标注即可学习内在运动动力学。在推理阶段，我们定义了一种新颖的动作动力学度量（ADM），直接由低维ASTGCN嵌入计算得出，通过识别其曲率轮廓中的拐点来检测运动边界。我们的方法在DSV Diving数据集上实现了82.66%的平均精度（mAP）和29.09毫秒的平均定位延迟，在保持计算效率的同时达到了最先进的监督性能。此外，它能够无需重新训练即可泛化到未见过的野外潜水视频，证明了其在嵌入式或动态环境中用于轻量级实时动作分析系统的实际适用性。
引用
@article{arxiv.2508.19647,
title = {UTAL-GNN: Unsupervised Temporal Action Localization using Graph Neural Networks},
author = {Bikash Kumar Badatya and Vipul Baghel and Ravi Hegde},
journal= {arXiv preprint arXiv:2508.19647},
year = {2025}
}
备注
This paper has been accepted at the ICIP Satellite Workshop 2025