論文の概要: De-biasing Skeleton-based Action Recognition with Convex Hull Adaptive Shift

• arxiv url: http://arxiv.org/abs/2609.32454v1
• Date: Sat, 26 Sep 2026 10:39:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 09:02:16.026576
• Title: De-biasing Skeleton-based Action Recognition with Convex Hull Adaptive Shift
• Title（参考訳）: Convex Hull Adaptive Shift を用いた非バイアス骨格に基づく行動認識
• Abstract要約: 骨格に基づく行動や相互作用を認識する既存のアプローチは通常、後期融合戦略を採用する。 様々な骨格データで観測された 実体バイアスがこの仮定に反する 本稿では,Convex Hull Adaptive Shift を用いた正規化手法を提案する。
• 参考スコア（独自算出の注目度）: 47.62583854201614
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Skeleton sequences can represent both individual actions and multi-entity interactions, encompassing human bodies, hands, objects, and robots. Existing approaches to recognize skeleton-based actions and interactions usually adopt a late fusion strategy, which expects individuals are independent and identically distributed to train a robust weight-shared entity encoder. However, observed entity bias in various skeletal data violates this assumption, leading to suboptimal optimization of backbone models that might produce wrong recognition results. This bias arises from the world coordinate system's initial configuration, where the choice of origin often creates bias in representation. To this end, we propose a Convex Hull Adaptive Shift based normalization method to reduce Entity bias (CHASE), improving performance across a variety of skeleton-based action and interaction recognition tasks. To adaptively apply plausible shifts to the input skeletons, we formulate a plug-and-play parameterized network that ensures the relocated world origin lies within the skeleton convex hull, which avoids non-convergence by limiting the search space. To further minimize entity bias, we incorporate an auxiliary objective that leverages pair-wise distribution distances to guide network optimization. To support both single- and multi-entity actions, we propose a sub-entity strategy that offers a consistent formulation for both scenarios. Moreover, CHASE demonstrates compatibility with various intra-skeleton modalities, such as bones and velocities, highlighting its adaptability. Essentially, our method works as a normalization approach to reduce entity bias, enabling subsequent classifiers to achieve improved recognition performance across diverse settings. Extensive experiments on 7 datasets verify our approach by seamlessly integrating with various backbones and significantly boosting their performance.
• Abstract（参考訳）: 骨格配列は、人体、手、物体、ロボットを含む、個々の行動と多元性相互作用の両方を表現することができる。 骨格に基づく行動や相互作用を認識する既存のアプローチでは、通常は後期融合戦略が採用されている。 しかし、様々な骨格データにおける観測された実体バイアスはこの仮定に反し、間違った認識結果を生み出す可能性のあるバックボーンモデルの最適化に繋がる。 このバイアスは世界座標系の初期構成から生じ、原点の選択はしばしば表現のバイアスを生み出す。 そこで本研究では,Convex Hull Adaptive Shiftをベースとした正規化手法を提案する。 入力された骨格にプラプシブルなシフトを適応的に適用するために,移動した世界の起源がスケルトン凸内に存在することを保証するプラグアンドプレイパラメータ化ネットワークを定式化し,探索空間を制限して非収束を回避する。 さらにエンティティバイアスを最小化するために、ペアワイズ分布距離を利用してネットワーク最適化を導出する補助的目的を組み込む。 単項および多項のアクションの両方をサポートするために、両方のシナリオに一貫した定式化を提供するサブエンティティ戦略を提案する。 さらに、CHASEは、骨や速度などの骨格内モダリティとの互換性を示し、適応性を強調している。 基本的に,本手法は,エンティティバイアスを低減するための正規化手法として機能する。 7つのデータセットに対する大規模な実験は、さまざまなバックボーンとシームレスに統合し、パフォーマンスを大幅に向上することで、私たちのアプローチを検証する。

関連論文リスト

• DisPOSE: Projected Polystochastic Diffusion for Self-Supervised Multi-View 3D Human Pose Estimation [58.47973015036709]
  DisPOSEは、本質的に離散的な多視点人物割り当て問題を近似する自己教師型フレームワークである。 特定可能なシンクホーン射影を用いることにより、本モデルは有効かつ実現可能な課題への解の導出を学ぶ。 提案手法は、標準データセット上での最先端の自己教師手法よりも優れている。
  論文  参考訳（メタデータ） (2026-06-05T16:14:39Z)
• AdaJudge: Adaptive Multi-Perspective Judging for Reward Modeling [23.81351558826977]
  AdaJudgeは、表現とアグリゲーションを共同で適応する統合フレームワークである。 AdaJudgeはまず、リファインメントブロックを通じて、バックボーン表現を差別指向の空間に洗練する。 その後、静的読み込みを動的にルーティングし、エビデンスを組み合わせた適応的なマルチビュープーリングモジュールに置き換える。
  論文  参考訳（メタデータ） (2026-01-13T00:37:38Z)
• scMRDR: A scalable and flexible framework for unpaired single-cell multi-omics data integration [53.683726781791385]
  単一セルマルチオミクス(ScMRDR)と呼ばれるスケーラブルでフレキシブルな生成フレームワークを導入する。 本手法は, バッチ補正, モダリティアライメント, 生体信号保存の観点から, ベンチマークデータセット上での優れた性能を実現する。
  論文  参考訳（メタデータ） (2025-10-28T21:28:39Z)
• Auto-Connect: Connectivity-Preserving RigFormer with Direct Preference Optimization [23.408285405010613]
  Auto-Connectは骨格接続を明示的に保存する自動リグのための新しいアプローチである。 我々は、それぞれの関節の子供と各階層層のエンドポイントを定義するために、特別なトークンを使用します。 また,潜伏した上顎骨の選抜に暗黙の測地学的特徴を取り入れ,皮膚の質を著しく改善した。
  論文  参考訳（メタデータ） (2025-06-13T03:06:52Z)
• CHASE: Learning Convex Hull Adaptive Shift for Skeleton-based Multi-Entity Action Recognition [10.045163723630159]
  CHASEはサンプル適応正規化法として機能し、濃度間分布の相違を緩和する。 このアプローチはシングルエンタリティのバックボーンにシームレスに適応し、マルチエンタリティシナリオにおけるパフォーマンスを向上します。
  論文  参考訳（メタデータ） (2024-10-09T17:55:43Z)
• Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based Action Recognition [88.34182299496074]
  アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。 我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。 時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
  論文  参考訳（メタデータ） (2022-07-17T07:05:39Z)
• Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
  本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。 実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
  論文  参考訳（メタデータ） (2020-07-30T05:48:48Z)

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。