ما الذي قمت به وكيفية أدائك؟ نهج التعلم متعدد المهام لتقييم جودة الأداء

هل يمكن تحسين الأداء في مهمة تقييم جودة الحركة (AQA) من خلال استغلال وصف للحركة وجودتها؟ تقترح الطرق الحالية لتقييم AQA والتقييم المهاري تعلم خصائص تخدم مهمة واحدة فقط - تقدير النتيجة النهائية. في هذا البحث، نقترح تعلم الخصائص المكانية-الزمانية التي تفسر ثلاث مهام ذات صلة - التعرف الدقيق على الحركات، إنشاء التعليقات، وتقدير درجة AQA. تم جمع مجموعة بيانات جديدة متعددة المهام لـ AQA، وهي الأكبر حتى الآن، تتكون من 1412 عينة غوص لتقييم نهجنا (https://github.com/ParitoshParmar/MTL-AQA). نظهر أن نهج MTL الخاص بنا يتفوق على نهج STL باستخدام نوعين مختلفين من الهندسات: C3D-AVG و MSCADC. يحقق نهج C3D-AVG-MTL أداءً جديدًا رائدًا بمعدل ارتباط رتبوي قدره 90.44%. تم إجراء تجارب مفصلة لإظهار أن MTL توفر تعميمًا أفضل من STL وأن التمثيلات المنبثقة من نماذج التعرف على الحركات غير كافية لمهمة AQA ويجب بدلاً من ذلك تعلمها.