面向半监督骨架动作识别的 X 不变对比增强与表征学习

基于摘要分析。本文研究标注不足条件下的半监督骨架动作识别，提出 X-invariant Contrastive Augmentation and Representation learning（X-CAR），在单阶段对比学习过程中联合学习数据增强与表征，以获取对旋转、剪切和缩放变换的不变特征；其中 X 指这三类变换。 作者认为，先随机增强骨架序列、再进行对比表征学习的方式，可能存在增强与表征学习不一致的问题。X-CAR 的 Adaptive-combination Augmentation（AA）机制通过可学习控制因子，自适应地组合旋转、剪切与缩放，控制因子也参与整体对比学习。作者还提出 Pull-Push Contrastive Loss（PPCL），放宽正负样本的预定义，将增强骨架拉近原始骨架，并推离其他骨架，以处理模糊样本的分配问题；具体损失公式与样本判定规则尚未验证。 作者报告，在 NTU RGB+D 和 North-Western UCLA 数据集的半监督评估中，X-CAR 的准确率优于所比较的竞争方法。摘要未提供具体数值、标注比例、数据划分或基线配置，因此不能据此判断提升幅度及不同协议下的可比性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的假设是，联合优化增强与表征可能缓解 EEG 小样本学习中增强策略与任务信息不匹配的问题，而非骨架几何变换可直接用于 EEG。原方法依赖骨架序列及其几何变换结构；迁移时需重新定义符合 EEG 生理与采集约束的增强、控制范围及样本配对规则。低信噪比、跨被试差异和通道布局变化可能使可学习增强放大噪声，或破坏类别相关信息。可在固定 EEG 数据划分、标注比例和编码器的条件下，对照随机增强与可学习增强，检验收益是否稳定。已有 EEG 相关工作尚未检索确认。