Act-VIT：使用 Vision Transformer 进行基于骨架的动作识别的表征稳健注意力架构
原文中文，约300字，阅读约需1分钟。发表于：。本文研究了基于骨架的动作识别中视觉 transformers 的有效性以及其在伪图像表示方案上的鲁棒性，并提出了一个三级体系结构 Act-VIT，通过应用分类器，在每个表示上合并其结果以找到最终的动作类别。实验研究表明，相比于 CNN，视觉 transformers 对初始伪图像表示的敏感性较低，但是通过分类器的一致性仍然可以进一步提高识别性能。
本文研究了基于骨架的动作识别中视觉transformers的有效性和鲁棒性，并提出了三级体系结构Act-VIT。实验结果显示，视觉transformers对初始伪图像表示的敏感性较低，但通过分类器的一致性可以提高识别性能。
