摘要
针对日常生活活动（Activities of Daily Living, ADL）识别，已有大量研究尝试融合RGB图像与3D姿态信息。由于ADL动作外观往往极为相似，需建模精细的细节才能有效区分。然而，当前主流的3D卷积神经网络（3D ConvNets）在捕捉动作过程中细微的视觉模式方面存在局限性，难以灵活适应动态变化。因此，当前主流方法仍以融合RGB与3D姿态信息为主。然而，在缺乏专用传感器的情况下，从RGB流中计算3D姿态的计算开销较大，限制了此类方法在实际应用中对低延迟要求场景的适用性。那么，如何最有效地利用3D姿态信息来提升ADL识别性能？为此，本文提出一种基于姿态驱动注意力机制的扩展方法——视频姿态网络（Video-Pose Network, VPN），并探索了两个不同的技术方向：其一，通过特征级知识蒸馏，将姿态知识迁移至RGB特征空间；其二，通过注意力级知识蒸馏，模拟姿态驱动的注意力机制。最终，我们将这两种策略融合为统一模型，命名为VPN++。实验结果表明，VPN++不仅在识别性能上表现优异，还具备显著的加速能力，并对噪声姿态具有较强的鲁棒性。无论是否依赖3D姿态输入，VPN++在4个公开数据集上的表现均优于现有代表性基线方法。相关代码已开源，地址为：https://github.com/srijandas07/vpnplusplus。