零样本基于骨架的动作识别的信息补偿框架
原文中文，约300字，阅读约需1分钟。发表于：。从信息论的角度设计信息补偿学习框架，通过多粒度语义交互机制来提高零样本动作识别准确性，并提出多层次对齐方法对动作类别的信息进行补偿，利用新的损失函数采样方法获得紧密且鲁棒的表示，进而通过合成多粒度语义嵌入形成适当的分类决策面，验证多粒度语义特征有助于区分具有相似视觉特征的动作簇。
本文介绍了一种用于提高广义零样本基于骨骼的动作识别性能的多语义融合模型。该模型采集了两种类级文本描述作为辅助语义信息，通过预训练的编码器提取动作类别和骨骼特征，并利用生成模块学习骨骼和语义特征之间的对齐关系。最后，通过分类模块识别输入样本的动作类别，并采用分类门来预测样本是否来自已知动作类别。与先前模型相比，该模型在广义零样本基于骨骼的动作识别上表现出卓越的性能。
