要約
本論文は、反復動作カウントの分野に重要な貢献をもたらし、新しいアプローチであるポーズサリエンシー表現（Pose Saliency Representation）を導入しています。提案された方法は、冗長なフレームではなく、2つの特徴的なポーズのみを使用して各動作を効率的に表現することで、計算コストを大幅に削減しつつ性能を向上させています。さらに、この表現に基づくポーズレベルの手法であるPoseRACを紹介しており、ポーズサリエンシー注釈（Pose Saliency Annotation）を使用して訓練用の特徴的なポーズを注釈付けることで、2つの新版データセットにおいて最先端の性能を達成しています。我々の軽量モデルは非常に効率的で、GPU上で訓練にかかる時間はわずか20分であり、既存の手法と比較して推論速度が約10倍速くなっています。また、我々のアプローチは以前の最先端手法TransRACに対して大幅な改善を達成しており、OBO指標では0.56という値を記録し、TransRACの0.29と比較して優れた結果となっています。コードと新版データセットはhttps://github.com/MiracleDance/PoseRACで公開されており、さらなる研究や実験のために研究コミュニティに高度にアクセス可能となっています。