CHASE: تعلم التحول التكيفي لغلاف محدب للتعرف على أفعال متعددة الكيانات باستخدام الهيكل العظمي

التعرف على الأنشطة المتعددة الكيانات باستخدام الهيكل العظمي هو مهمة صعبة تهدف إلى تحديد الأنشطة التفاعلية أو الأنشطة الجماعية التي تنطوي على كيانات متنوعة متعددة. غالباً ما تكون النماذج الموجودة للأفراد غير كافية في هذه المهمة بسبب الاختلافات التوزيعية الطبيعية بين هيكل عظام الكيانات، مما يؤدي إلى تحسين غير مثالي للهيكل الأساسي. لحل هذه المشكلة، نقدم طريقة التعرف على الأنشطة المتعددة الكيانات القائمة على الانزياح التكيفي المحدّد بالغلاف المحدب (CHASE)، والتي تعمل على تقليل الفجوات التوزيعية بين الكيانات وتخفيف التحيز في الهياكل الأساسية اللاحقة.تشمل CHASE شبكة قابلة للتعلم ومعياراً مساعداً. تحقق الشبكة القابلة للتعلم إعادة وضع معقولة وقابلة للتكيف مع العينة لهيكل عظمي من خلال مكونين رئيسيين. أولاً، يضمن الانزياح التكيفي المقيد بالغلاف المحدب الضمني أن نقطة الأصل الجديدة لنظام الإحداثيات تكون داخل الغلاف المحدب لهيكل العظم. ثانياً، يوفر مكون تعلم المعاملات تقسيماً خفيف الوزن للمعلمة التي تمثل الخريطة من سلاسل هيكل العظم إلى معاملاتها الخاصة في الجمع المحدب.بالإضافة إلى ذلك، لتعزيز تحسين هذه الشبكة بهدف تقليل الاختلافات، نقترح استخدام الاختلاف المتوسط الأقصى الزوجي ضمن الدفعة الصغيرة (Mini-batch Pair-wise Maximum Mean Discrepancy) كمعيار إضافي. تعمل CHASE كطريقة تطبيع قابلة للتكيف مع العينة لتقليل الاختلافات التوزيعية بين الكيانات، مما يساعد في تقليل التحيز في البيانات وتحسين أداء المصنف اللاحق في التعرف على الأنشطة المتعددة الكيانات. أثبتت التجارب الواسعة على ستة قواعد بيانات، بما في ذلك NTU Mutual 11/26، H2O، Assembly101، Collective Activity وVolleyball، فعالية نهجنا من خلال التكيف السلس مع الهياكل الأساسية للأفراد وتعزيز أدائها في السيناريوهات المتعددة الكيانات. يمكن الوصول إلى شفرتنا البرمجية بشكل عام عبر الرابط: https://github.com/Necolizer/CHASE .