論文の概要: Beyond Binary Contrast: Modeling Continuous Skeleton Action Spaces with Transitional Anchors

• arxiv url: http://arxiv.org/abs/2604.17914v1
• Date: Mon, 20 Apr 2026 07:47:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.752512
• Title: Beyond Binary Contrast: Modeling Continuous Skeleton Action Spaces with Transitional Anchors
• Title（参考訳）: 双対コントラストを超えて - トランジショナルアンカーを用いた連続骨格アクション空間のモデリング
• Authors: Yingjie Feng, Yi Wang, Jiaze Wang, Anfeng Liu, Zhuotao Tian,
• Abstract要約: TranCLRはトランジショナルアンカーベースのContrastive Learningフレームワークである。 NTU RGB+D、NTU RGB+D 120、PKU-MMDデータセットの実験により、TranCLRは精度と校正性能が優れていることが示された。
• 参考スコア（独自算出の注目度）: 27.140153526196
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Self-supervised contrastive learning has emerged as a powerful paradigm for skeleton-based action recognition by enforcing consistency in the embedding space. However, existing methods rely on binary contrastive objectives that overlook the intrinsic continuity of human motion, resulting in fragmented feature clusters and rigid class boundaries. To address these limitations, we propose TranCLR, a Transitional anchor-based Contrastive Learning framework that captures the continuous geometry of the action space. Specifically, the proposed Action Transitional Anchor Construction (ATAC) explicitly models the geometric structure of transitional states to enhance the model's perception of motion continuity. Building upon these anchors, a Multi-Level Geometric Manifold Calibration (MGMC) mechanism is introduced to adaptively calibrate the action manifold across multiple levels of continuity, yielding a smoother and more discriminative representation space. Extensive experiments on the NTU RGB+D, NTU RGB+D 120 and PKU-MMD datasets demonstrate that TranCLR achieves superior accuracy and calibration performance, effectively learning continuous and uncertainty-aware skeleton representations. The code is available at https://github.com/Philchieh/TranCLR.
• Abstract（参考訳）: 自己教師付きコントラスト学習は、埋め込み空間における一貫性を強制することによって、骨格に基づく行動認識の強力なパラダイムとして登場した。 しかし、既存の手法は、人間の動作の本質的な連続性を見落とし、断片化された特徴クラスタと厳密なクラス境界をもたらす二項の対照的な目的に依存している。 これらの制約に対処するため、トランザクショナルアンカーベースのContrastive LearningフレームワークであるTranCLRを提案し、アクション空間の連続的な幾何学をキャプチャする。 具体的には,動作継続性の知覚を高めるために,遷移状態の幾何学的構造を明示的にモデル化する。 これらのアンカーを基盤として、多層幾何学的多様体校正(MGMC)機構を導入し、連続性の複数のレベルにわたって作用多様体を適応的に校正し、より滑らかでより差別的な表現空間を得る。 NTU RGB+D, NTU RGB+D 120およびPKU-MMDデータセットの大規模な実験により、TranCLRは精度とキャリブレーション性能が向上し、持続性と不確実性を認識する骨格表現を効果的に学習することを示した。 コードはhttps://github.com/Philchieh/TranCLRで公開されている。

関連論文リスト

• Hyperbolic Enhanced Representation Learning for Incomplete Multi-view Clustering [57.38215918201251]
  本稿では,不完全なマルチビュークラスタリングのためのハイパーボリック拡張表現学習フレームワークであるHERLを提案する。 ポアンカレボール内で操作すると、HERLは表現学習を強化するために構造を意識した潜在空間を構築する。 HERLは最先端のアプローチよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2026-04-18T10:50:46Z)
• UniMotion: A Unified Framework for Motion-Text-Vision Understanding and Generation [47.383717641500844]
  UniMotionは、人間の動き、自然言語、RGB画像の同時理解と生成のためのフレームワークである。 運動をRGBと同等の足場における一級連続的モダリティとして扱う。 UniMotionは、任意の理解、生成、編集にまたがる7つのタスクにわたる最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-03-23T17:59:48Z)
• Neural Implicit Action Fields: From Discrete Waypoints to Continuous Functions for Vision-Language-Action Models [35.98187913967879]
  本稿では,行動予測を離散的な視点から連続的な行動関数の回帰へ変換するパラダイムシフトを提案する。 提案手法は, CALVIN および LIBERO ベンチマークにおいて, 種々のバックボーンにまたがって, 最新の結果が得られる。
  論文  参考訳（メタデータ） (2026-03-02T11:48:24Z)
• GeoMotionGPT: Geometry-Aligned Motion Understanding with Large Language Models [23.159388800893964]
  両モジュラリティが統一幾何基底を共有する場合、アライメントが最も効果的であると主張する。 我々は、Gumbel-Softmaxを用いたデコーダのみの量子化器を用いて、微分可能なトレーニングとバランスの取れたコードブックの使用について検討する。 我々のフレームワークは現在の最先端手法よりも20%の性能向上を実現している。
  論文  参考訳（メタデータ） (2026-01-12T15:14:29Z)
• Bidirectional Feature-aligned Motion Transformation for Efficient Dynamic Point Cloud Compression [97.66080040613726]
  特徴空間における動きを暗黙的にモデル化する双方向特徴整合運動変換(Bi-FMT)フレームワークを提案する。 Bi-FMTは、時間的に一貫した潜在表現を生成するために、過去と将来の両方のフレームで機能を調整する。 圧縮効率とランタイムの両方において, Bi-FMT が D-DPCC と AdaDPCC を上回っていることを示す。
  論文  参考訳（メタデータ） (2025-09-18T03:51:06Z)
• Visual Prompt Tuning in Null Space for Continual Learning [51.96411454304625]
  既存のプロンプトチューニング手法は、継続学習(CL)における印象的な性能を示す。 本稿では,従来のタスクの特徴に代表される部分空間に直交する方向のプロンプトを調整し,各タスクを学習することを目的とする。 実際には、即時勾配予測を実装するために、実効的なヌル空間に基づく近似解が提案されている。
  論文  参考訳（メタデータ） (2024-06-09T05:57:40Z)
• Spatiotemporal Multi-scale Bilateral Motion Network for Gait Recognition [3.1240043488226967]
  本稿では,光学的流れに動機づけられた両動方向の特徴について述べる。 動作コンテキストを多段階の時間分解能でリッチに記述する多段階の時間表現を開発する。
  論文  参考訳（メタデータ） (2022-09-26T01:36:22Z)

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。