计算机科学 > 计算机视觉与模式识别
[提交于 2025年7月1日
]
标题: 具有正弦编码的多模态图卷积网络用于鲁棒的人类动作分割
标题: Multi-Modal Graph Convolutional Network with Sinusoidal Encoding for Robust Human Action Segmentation
摘要: 人体动作的精确时间分割对于协作环境中的智能机器人至关重要,其中对子活动标签及其时间结构的准确理解是必不可少的。 然而,人体姿态估计和目标检测中的固有噪声常常导致过度分割错误,破坏动作序列的一致性。 为了解决这个问题,我们提出了一种多模态图卷积网络(MMGCN),将低帧率(例如1 fps)的视觉数据与高帧率(例如30 fps)的运动数据(骨骼和目标检测)相结合,以减轻碎片化问题。 我们的框架引入了三个关键贡献。 首先,一种正弦编码策略,将3D骨骼坐标映射到连续的正弦-余弦空间,以增强空间表示的鲁棒性。 其次,一个时间图融合模块,通过分层特征聚合将具有不同分辨率的多模态输入对齐。第三,受人类动作固有平滑过渡的启发,我们设计了SmoothLabelMix,这是一种数据增强技术,通过混合输入序列和标签生成具有渐进动作过渡的合成训练样本,从而提高预测的时间一致性并减少过度分割伪影。 在双手动作数据集上的广泛实验表明,我们的方法优于最先进的方法,尤其是在动作分割准确性方面,达到了F1@10: 94.5%和F1@25: 92.8%。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.