النماذج الأولية والتباين العكسي: التعرف على الحركات بدون إشراف باستخدام الهيكل العظمي

في هذا البحث، نركز على التعلم غير المشرف للتمثيلات للاعتراف بالأفعال المستندة إلى الهيكل العظمي. تواجه النماذج الحالية صعوبة في تعلم المعلومات الدلالية بشكل كامل عند استخدام التنبؤ المتسلسل لتعلم تمثيلات الأفعال. لمعالجة هذه المشكلة، نقترح إطارًا جديدًا يُسمى "المقارنة النموذجية والتنبؤ العكسي" (PCRP)، والذي ليس فقط ينشئ تنبؤًا متسلسلاً عكسيًا لتعلم المعلومات من المستوى المنخفض (مثل وضع الجسم في كل إطار) وأنماط المستوى العالي (مثل ترتيب الحركة)، بل يطور أيضًا نماذج أفعال لإشراك التشابه الدلالي بين التسلسلات بشكل ضمني. بشكل عام، نعتبر نماذج الأفعال كمتغيرات خفية ونقوم بصياغة PCRP كمهمة تقدير-تحسين. تحديدًا، يقوم PCRP بالخطوات التكرارية التالية: (1) خطوة E وهي تحديد توزيع النماذج عن طريق تجميع ترميز الأفعال من المشفّر، و(2) خطوة M وهي تحسين المشفّر عن طريق最小化我们提出的ProtoMAE损失，这有助于同时将动作编码拉近其分配的原型并执行逆向预测任务。在N-UCLA、NTU 60和NTU 120数据集上的广泛实验表明，PCRP优于最先进的无监督方法，并且在某些有监督方法中也表现出色。代码可在https://github.com/Mikexu007/PCRP 获取。注：由于“最小化我们提出的ProtoMAE损失”这一部分的中文表述与前文英文不一致，我将其翻译为“تقليل الخسارة ProtoMAE المقترحة”以保持一致性。完整的句子如下：(2) خطوة M وهي تحسين المشفّر عن طريق تقليل الخسارة ProtoMAE المقترحة، مما يساعد في سحب ترميز الفعل نحو النموذج المخصص له وإجراء مهمة التنبؤ العكسي.希望这对您有所帮助！如果有任何其他问题，请随时告诉我。