VIFSS：面向时序动作分割的视角不变与花样滑冰专用姿态表征学习

基于摘要分析。本文研究花样滑冰视频中跳跃类型及发生时段的识别，针对标注不足、既有方法未充分考虑跳跃三维特征和动作程序结构的问题，提出结合姿态表征学习与细粒度阶段标注的时序动作分割（Temporal Action Segmentation，TAS）框架。研究对象是运动视频中的姿态与动作，不是 EEG 或 BCI。 方法方面，VIFSS 先通过视角不变对比学习进行预训练，再以动作分类进行微调。为支持预训练，作者构建了专用于花样滑冰跳跃的三维姿态数据集 FS-Jump3D，并称其为首个公开的此类数据集；这一优先性声明尚未独立核实。框架还引入标记“进入（准备）”与“落地”阶段的细粒度标注，使 TAS 模型能够学习跳跃的程序结构。摘要未披露对比样本构造、损失形式，以及表征学习与分割模型的具体衔接方式。 作者报告，在需要同时识别跳跃类型与旋转圈数级别的元素级 TAS 任务中，方法取得超过 92% 的 F1@50；该指标不应解释为分类 Accuracy。作者还报告，微调数据有限时，视角不变对比预训练尤其有效。数据规模、训练与测试划分、对照基线、消融及统计信息尚未验证，因此目前不能据此量化各模块的独立收益。 平台推测（待验证）：可迁移的机制假设是，通过对比学习抑制与任务无关的观测变化，并借助阶段标注学习时序结构，可能有助于少标注的 EEG 时序解码。但原方法依赖三维姿态及可定义的视角变化，不能直接将其等同于 EEG 的跨被试或跨通道变化。若探索该方向，可保留预训练—微调流程，重新设计 EEG 编码器、正样本构造与阶段标签；低信噪比、通道差异及小数据可能导致增强破坏任务信息。一个可证伪的小实验是在固定跨被试划分和标注预算下，对比无预训练与候选不变性预训练，并检查任务相关信息是否被削弱。相关 EEG 工作尚未检索确认。