CHASE : Apprentissage du décalage adaptatif de l'enveloppe convexe pour la reconnaissance d'actions multi-entités basée sur le squelette
La reconnaissance d'actions multientités basée sur le squelette est une tâche complexe visant à identifier des actions interactives ou des activités de groupe impliquant plusieurs entités diverses. Les modèles existants pour les individus échouent souvent dans cette tâche en raison des disparités inhérentes dans la distribution des squelettes d'entités, ce qui entraîne une optimisation sous-optimale des backbones. Pour remédier à cela, nous introduisons une méthode de reconnaissance d'actions multientités basée sur un décalage adaptatif convexe (CHASE), qui atténue les écarts de distribution entre les entités et réduit les biais des backbones ultérieurs.Plus précisément, CHASE comprend un réseau paramétrique apprenable et un objectif auxiliaire. Le réseau paramétrique réalise un repositionnement plausible et adapté aux échantillons des séquences de squelettes grâce à deux composantes clés. Premièrement, le Décalage Adaptatif Contraint par l'Hull Convexe Implicite garantit que le nouveau point d'origine du système de coordonnées se trouve à l'intérieur de l'hull convexe du squelette. Deuxièmement, le Bloc d'Apprentissage des Coefficients fournit une paramétrisation légère du mapping des séquences de squelettes à leurs coefficients spécifiques dans les combinaisons convexes.De plus, pour guider l'optimisation de ce réseau en vue de minimiser les disparités, nous proposons la Disparité Moyenne Maximale Paire par Mini-lot comme objectif supplémentaire. CHASE fonctionne comme une méthode de normalisation adaptative aux échantillons pour atténuer les disparités de distribution entre les entités, réduisant ainsi le biais des données et améliorant les performances de reconnaissance d'actions multientités du classifieur suivant.Des expériences approfondies sur six jeux de données, dont NTU Mutual 11/26, H2O, Assembly101, Collective Activity et Volleyball, confirment constamment notre approche en s'adaptant sans heurt aux backbones mono-entité et en améliorant leur performance dans des scénarios multientités. Notre code est disponible au public sur https://github.com/Necolizer/CHASE .