論文の概要: Affinity Contrastive Learning for Skeleton-based Human Activity Understanding

• arxiv url: http://arxiv.org/abs/2601.16694v1
• Date: Fri, 23 Jan 2026 12:20:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-26 14:27:27.676893
• Title: Affinity Contrastive Learning for Skeleton-based Human Activity Understanding
• Title（参考訳）: 骨格に基づく人間活動理解のための親密なコントラスト学習
• Authors: Hongda Liu, Yunfan Liu, Min Ren, Lin Sui, Yunlong Wang, Zhenan Sun,
• Abstract要約: ACLNetはAffinity Contrastive Learning Networkであり、人間のアクティビティクラス間の複雑なクラスタリング関係を探索する。 そこで本研究では,類似度測定を洗練させる親和性測定法を提案する。 さらに、クラス内の強正サンプルと負サンプルの分離を改善するために、マージンベースのコントラスト戦略を採用する。
• 参考スコア（独自算出の注目度）: 36.788675803693486
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In skeleton-based human activity understanding, existing methods often adopt the contrastive learning paradigm to construct a discriminative feature space. However, many of these approaches fail to exploit the structural inter-class similarities and overlook the impact of anomalous positive samples. In this study, we introduce ACLNet, an Affinity Contrastive Learning Network that explores the intricate clustering relationships among human activity classes to improve feature discrimination. Specifically, we propose an affinity metric to refine similarity measurements, thereby forming activity superclasses that provide more informative contrastive signals. A dynamic temperature schedule is also introduced to adaptively adjust the penalty strength for various superclasses. In addition, we employ a margin-based contrastive strategy to improve the separation of hard positive and negative samples within classes. Extensive experiments on NTU RGB+D 60, NTU RGB+D 120, Kinetics-Skeleton, PKU-MMD, FineGYM, and CASIA-B demonstrate the superiority of our method in skeleton-based action recognition, gait recognition, and person re-identification. The source code is available at https://github.com/firework8/ACLNet.
• Abstract（参考訳）: 骨格に基づく人間の活動理解では、既存の手法は区別可能な特徴空間を構築するために対照的な学習パラダイムを採用することが多い。 しかし、これらのアプローチの多くはクラス間の構造的類似性を利用しており、異常な正のサンプルの影響を見落としている。 本研究では,アクシニティ・コントラスト学習ネットワークであるACLNetを紹介し,人間の活動クラス間の複雑なクラスタリング関係を探索し,特徴の識別を改善する。 具体的には、類似度測定を洗練させる親和性測定法を提案し、それによって、より情報的なコントラスト信号を提供する活動スーパークラスを形成する。 様々なスーパークラスのペナルティ強度を適応的に調整するために、動的温度スケジュールも導入されている。 さらに、クラス内の強正サンプルと負サンプルの分離を改善するために、マージンベースのコントラスト戦略を採用する。 NTU RGB+D 60, NTU RGB+D 120, Kinetics-Skeleton, PKU-MMD, FineGYM, CASIA-B の広範囲にわたる実験により, 骨格型行動認識, 歩行認識, 人物再同定における本法の有用性が示された。 ソースコードはhttps://github.com/firework8/ACLNetで入手できる。

関連論文リスト

• Bayesian Learning-driven Prototypical Contrastive Loss for Class-Incremental Learning [42.14439854721613]
  本稿では,先行クラスと新たに登場したクラスプロトタイプ間の効果的な表現を学習する手法を提案する。 クラス間距離を減少させ,クラス間距離を増大させることにより,新しいクラスを潜在表現に組み込むコントラスト的損失を導入する。
  論文  参考訳（メタデータ） (2024-05-17T19:49:02Z)
• Dynamic Clustering and Cluster Contrastive Learning for Unsupervised Person Re-identification [29.167783500369442]
  教師なしRe-ID手法は、ラベルのないデータから堅牢で差別的な特徴を学習することを目的としている。 本稿では,動的クラスタリングとクラスタコントラスト学習(DCCC)手法を提案する。 提案したDCCCの有効性を検証するために, 広く利用されている複数の公開データセットの実験を行った。
  論文  参考訳（メタデータ） (2023-03-13T01:56:53Z)
• Learning Discriminative Representations for Skeleton Based Action Recognition [49.45405879193866]
  本稿では,骨格の識別表現を得るために,補助機能改善ヘッド(FRヘッド)を提案する。 提案したモデルでは,最先端手法による競合結果が得られ,あいまいなサンプルの識別に役立てることができる。
  論文  参考訳（メタデータ） (2023-03-07T08:37:48Z)
• Cluster-aware Contrastive Learning for Unsupervised Out-of-distribution Detection [0.0]
  教師なしアウト・オブ・ディストリビューション(OOD)検出は、ラベル情報なしでトレーニングデータの分布外に落下するサンプルを分離することを目的としている。 本稿では,インスタンスレベルの情報と意味レベルの情報の両方を考慮した,教師なしOOD検出のためのクラスタ対応コントラスト学習(CCL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-06T07:21:03Z)
• Improving Music Performance Assessment with Contrastive Learning [78.8942067357231]
  本研究では,既存のMPAシステムを改善するための潜在的手法として,コントラスト学習について検討する。 畳み込みニューラルネットワークに適用された回帰タスクに適した重み付きコントラスト損失を導入する。 この結果から,MPA回帰タスクにおいて,コントラッシブ・ベースの手法がSoTA性能に適合し,超越できることが示唆された。
  論文  参考訳（メタデータ） (2021-08-03T19:24:25Z)
• Neighborhood Contrastive Learning for Novel Class Discovery [79.14767688903028]
  我々は,クラスタリング性能に重要な識別表現を学習するために,Neighborhood Contrastive Learningという新しいフレームワークを構築した。 これらの2つの成分がクラスタリング性能に大きく寄与し、我々のモデルが最先端の手法よりも大きなマージンで優れていることを実験的に実証した。
  論文  参考訳（メタデータ） (2021-06-20T17:34:55Z)
• Clustering-friendly Representation Learning via Instance Discrimination and Feature Decorrelation [0.0]
  本稿では,インスタンス識別と特徴デコレーションを用いたクラスタリングに親しみやすい表現学習手法を提案する。 CIFAR-10とImageNet-10を用いた画像クラスタリングの評価では,それぞれ81.5%,95.4%の精度が得られた。
  論文  参考訳（メタデータ） (2021-05-31T22:59:31Z)
• Solving Inefficiency of Self-supervised Representation Learning [87.30876679780532]
  既存のコントラスト学習法は、非常に低い学習効率に苦しむ。 アンダークラスタリングとオーバークラスタリングの問題は、学習効率の大きな障害である。 中央三重項損失を用いた新しい自己監督学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-18T07:47:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。