CHASE: 骨格ベースの複数エンティティ行動認識のための凸包適応シフトの学習

骨格ベースの多エンティティ行動認識は、複数の異なるエンティティが関与する相互作用やグループ活動を識別することを目指す難易度の高い課題です。既存の個人向けモデルは、エンティティ間の骨格分布の相違性により、この課題でしばしば不足した結果をもたらします。これにより、バックボーンの最適化が不十分になります。これを解決するために、我々は凸包適応シフトに基づく多エンティティ行動認識手法（CHASE: Convex Hull Adaptive Shift based multi-Entity action recognition method）を提案します。CHASEは、エンティティ間の分布ギャップを軽減し、その後のバックボーンに偏りを与えないように設計されています。具体的には、CHASEは学習可能なパラメータ化ネットワークと補助的な目的関数から構成されます。このパラメータ化ネットワークは、2つの主要なコンポーネントを通じて骨格シーケンスのサンプル適応的な再配置を達成します。まず、暗黙的な凸包制約適応シフト（Implicit Convex Hull Constrained Adaptive Shift）によって新しい座標系の原点が骨格の凸包内に位置することを保証します。次に、係数学習ブロック（Coefficient Learning Block）が骨格シーケンスからその凸結合における特定の係数への軽量なパラメータ化を提供します。さらに、このネットワークの最適化を不一致最小化のために導くために、ミニバッチ対間最大平均不一致（Mini-batch Pair-wise Maximum Mean Discrepancy）を追加的目的関数として提案します。CHASEはサンプル適応的な正規化手法として機能し、エンティティ間の分布不一致を軽減することでデータバイアスを削減し、その後続する分類器による多エンティティ行動認識性能を向上させます。6つのデータセット（NTU Mutual 11/26, H2O, Assembly101, Collective Activity, Volleyballなど）での広範な実験により、我々の手法が単一エンティティバックボーンに対して無縫接続的に適応し、多エン蒂実情形での性能向上につながることが一貫して確認されました。当方のコードは公開されており、https://github.com/Necolizer/CHASE からアクセスできます。