التعلم المقابل للاعتماد على Actionlet للاعتراف بالعملية القائمة على الهيكل دون تدريب مراقب

نهج التدريب المسبق ذاتيًا حقق نجاحًا كبيرًا في التعرف على الحركات القائمة على الهيكل العظمي. ومع ذلك، فإن هذه الطرق تعامل الأجزاء الحركية والثابتة بالتساوي، وتفتقر إلى تصميم متكيف حسب طبيعة كل جزء، مما يؤثر سلبًا على دقة التعرف على الحركات. لتمكين نمذجة حركية متكيفة لكل من الجزأين، نقترح طريقة تعلم تقابل يعتمد على Actionlet (ActCLR). يُعرّف Actionlet على أنه مجموعة تمييزية من الهيكل العظمي البشري، والتي تُفكك فعّالة مناطق الحركة لتحسين نمذجة الحركات. بشكل دقيق، من خلال المقارنة مع مرجع ثابت دون حركة، نستخرج منطقة الحركة من بيانات الهيكل العظمي بطريقة غير مراقبة، وتُستخدم هذه المنطقة كـ Actionlet. ثم، بالاعتماد على Actionlet، نبني طريقة تحويل بيانات متكيفة مع الحركة. ونُطبّق تحولات بيانات مختلفة على مناطق Actionlet ومناطق غير Actionlet لزيادة التنوّع مع الحفاظ على خصائص كل جزء. في الوقت نفسه، نقترح طريقة تجميع ميزات واعية بالمعنى لبناء تمثيلات مميزة للميزات بين مناطق الحركة والثابتة. أظهرت تجارب واسعة على مجموعتي بيانات NTU RGB+D وPKUMMD أداءً متميزًا في التعرف على الحركات. وتأكيدًا على فعالية طريقتنا، تُظهر تجارب توضيحية وكمّية إضافية نتائج مُقنعة. يمكن الوصول إلى موقع المشروع عبر الرابط: https://langlandslin.github.io/projects/ActCLR/