用于 3D 骨架动作识别的通用对比式时空表征增强

基于摘要分析（所给材料为研究亮点，未取得论文全文）。该研究面向 3D 骨架动作识别中易混淆样本的区分问题，提出通用 CSRE 框架，将特征分解为空间特定与时间特定特征，并用于对比学习，以探索潜在数据分布、增强表征判别性。 核心机制是对时空信息进行显式分解，再引入对比学习约束。作者称，CSRE 可在训练阶段接入不同骨架编码器，并在测试阶段移除。具体分解方式、正负样本构造、损失形式，以及移除模块后保留哪些表征路径，尚未验证。 作者报告，在三个基准上，CSRE 对 HCN、2S-AGCN、CTR-GCN、BlockGCN 和 Hyperformer 五种方法均带来显著改善；材料未提供基准名称、划分协议、指标、数值或显著性检验依据，因而不能据此量化增益或比较不同协议下的效果。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移假设是，训练期分别约束空间与时间表征，可能帮助 EEG 编码器区分通道关系与时间动态，但骨架关节结构并不等同于 EEG 电极结构。可借鉴的是训练期表征增强思路；空间结构定义、时间窗口和对比样本规则需按 EEG 任务改造，原方法对监督信息与数据规模的依赖尚不明确。低信噪比、跨被试差异、通道配置变化和小样本可能使分解失效或让对比目标偏向个体特征。一个可检验的小实验是在固定 EEG 编码器和跨被试划分下，对照原模型与加入时空分解对比约束的模型，并以仅空间、仅时间约束作消融，核查测试期移除模块后的效果。已有 EEG 相关工作尚未检索确认。