Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > eess > arXiv:2511.04351

帮助 | 高级搜索

电气工程与系统科学 > 信号处理

arXiv:2511.04351 (eess)
[提交于 2025年11月6日 ]

标题: RCMCL:一种统一的对比学习框架,用于鲁棒的多模态(RGB-D、骨骼、点云)动作理解

标题: RCMCL: A Unified Contrastive Learning Framework for Robust Multi-Modal (RGB-D, Skeleton, Point Cloud) Action Understanding

Authors:Hasan Akgul, Mari Eplik, Javier Rojas, Akira Yamamoto, Rajesh Kumar, Maya Singh
摘要: 人体动作识别(HAR)使用多模态输入(RGB-D、骨骼、点云)可以实现高精度,但通常依赖于大型标注数据集,并且在传感器故障或噪声情况下性能会急剧下降。 我们提出了鲁棒的跨模态对比学习(RCMCL),这是一种自监督框架,能够学习模态不变表示,并在模态丢失和损坏的情况下保持可靠性。 RCMCL联合优化(i)一个跨模态对比目标,对齐异构流,(ii)一个模态内自我蒸馏目标,提高视图不变性并减少冗余,以及(iii)一个退化模拟目标,明确训练模型从被遮挡或损坏的输入中恢复。 在推理时,自适应模态门控(AMG)网络为每个模态分配数据驱动的可靠性权重以进行鲁棒融合。 在NTU RGB+D 120(CS/CV)和UWA3D-II上,RCMCL在标准设置中达到了最先进的准确率,并表现出显著更好的鲁棒性:在严重的双模态丢失情况下,仅表现出11.5%的下降,明显优于强大的监督融合基线。 这些结果表明,自监督的跨模态对齐,结合显式的退化建模和自适应融合,是可部署的多模态HAR的关键。
摘要: Human action recognition (HAR) with multi-modal inputs (RGB-D, skeleton, point cloud) can achieve high accuracy but typically relies on large labeled datasets and degrades sharply when sensors fail or are noisy. We present Robust Cross-Modal Contrastive Learning (RCMCL), a self-supervised framework that learns modality-invariant representations and remains reliable under modality dropout and corruption. RCMCL jointly optimizes (i) a cross-modal contrastive objective that aligns heterogeneous streams, (ii) an intra-modal self-distillation objective that improves view-invariance and reduces redundancy, and (iii) a degradation simulation objective that explicitly trains models to recover from masked or corrupted inputs. At inference, an Adaptive Modality Gating (AMG) network assigns data-driven reliability weights to each modality for robust fusion. On NTU RGB+D 120 (CS/CV) and UWA3D-II, RCMCL attains state-of-the-art accuracy in standard settings and exhibits markedly better robustness: under severe dual-modality dropout it shows only an 11.5% degradation, significantly outperforming strong supervised fusion baselines. These results indicate that self-supervised cross-modal alignment, coupled with explicit degradation modeling and adaptive fusion, is key to deployable multi-modal HAR.
评论: 11页,6图,
主题: 信号处理 (eess.SP)
引用方式: arXiv:2511.04351 [eess.SP]
  (或者 arXiv:2511.04351v1 [eess.SP] 对于此版本)
  https://doi.org/10.48550/arXiv.2511.04351
通过 DataCite 发表的 arXiv DOI(待注册)

提交历史

来自: Hasan Akgul [查看电子邮件]
[v1] 星期四, 2025 年 11 月 6 日 13:32:50 UTC (2,277 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
许可图标 查看许可
当前浏览上下文:
eess.SP
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-11
切换浏览方式为:
eess

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

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

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

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.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号