التعلم التبايني من تسلسلات الهيكل شديدة التعزيز للتمييز الذاتي للأفعال

في السنوات الأخيرة، تم تطوير التعلم الذاتي للتمثيلات في مجال التعرف على الحركات القائمة على الهيكل العظمي بفضل تقدم طرق التعلم المقارن. تستخدم الطرق المقارنة الحالية تعديلات عادية لبناء نماذج إيجابية متشابهة، مما يحد من قدرة استكشاف أنماط حركة جديدة. في هذا البحث، للاستفادة بشكل أفضل من الأنماط الحركية التي يتم تقديمها بواسطة التعديلات المتطرفة، تم اقتراح إطار للتعلم المقارن يستخدم التنقيب عن المعلومات الوافرة للتمثيل الذاتي للحركة (AimCLR). أولاً، تم اقتراح التعديلات المتطرفة ووحدة الإسقاط الموجه بالاهتمام المستندة إلى الطاقة (EADM) للحصول على نماذج إيجابية متنوعة، والتي تجلب أنماط حركة جديدة لتحسين شمولية التمثيلات المُتعلَّمة. ثانياً، نظرًا لأن استخدام التعديلات المتطرفة مباشرة قد لا يكون قادرًا على تعزيز الأداء بسبب التغييرات الشديدة في الهوية الأصلية، تم اقتراح خسارة تقليص الانحراف التوزيعي الثنائي (D$^3$M Loss) لتقليل الانحراف التوزيعي بطريقة أكثر رفقًا. ثالثاً، تم اقتراح التنقيب عن الجيران الأقرب (NNM) لتوسيع النماذج الإيجابية بشكل أكبر وجعل عملية التنقيب عن المعلومات الوافرة أكثر معقولية. أثبتت التجارب الشاملة على مجموعات البيانات NTU RGB+D 60 وPKU-MMD وNTU RGB+D 120 أن AimCLR يمكنه الأداء بشكل ملحوظ أفضل من الأساليب الرائدة تحت مجموعة متنوعة من بروتوكولات التقييم مع وجود تمثيلات حركة ذات جودة أعلى. كودنا متاح على الرابط: https://github.com/Levigty/AimCLR.