超越模式变异：基于点云序列的无监督三维动作表征学习

基于摘要分析。本文研究点云序列的无监督三维动作表征学习，而非 EEG 或 BCI；作者提出 feature augmentation adapted contrastive learning（FACL），旨在利用同一动作实例不同增强视图中的互补判别信息，区别于依赖三维骨架信息的无监督方法。 方法以 3-D dynamic voxel（3DV）为基础，将点云序列压缩为包含三维运动信息的紧凑点云，并施加时空增强开展对比学习。作者指出，SimCLR、MoCo v2 等方法处理增强后的 3DV 时仍存在较高的模式变异，各视图保留的互补线索未被充分利用。FACL 采用全局—局部两分支：全局分支联合关注原始与增强样本的判别线索，局部分支增强各增强样本特征的判别能力，最终通过拼接融合两类特征。具体损失形式、增强参数及训练流程尚未验证。 作者报告，在 NTU RGB+D 120 的 cross-setup 与 Cross-subject 测试设置下，相比其所称最先进的骨架方法，分别提升 6.4% 和 3.6%。摘要未明确对应指标及这些数值是相对百分比还是百分点，因此不能直接解释为 Accuracy 的百分点增益；数据划分细节、基线配置、消融及统计信息尚未验证。摘要提供了代码仓库，但代码内容及复现条件尚未核查。 平台推测（待验证）：可迁移的假设是，EEG 增强视图也可能保留不同的任务相关线索，联合建模这些线索或有助于缓解单纯视图一致性带来的信息损失。该机制依赖同一实例的多视图及可靠的任务保持增强；可借鉴全局—局部联合学习，但需替换点云编码器、3DV 与时空增强。低信噪比、被试差异、通道变化和小数据可能使模型融合噪声或身份线索。一个可检验的小实验是在固定 Cross-subject 划分、相同 EEG 编码器及增强策略下，对比常规对比学习与全局—局部融合，并核对融合是否稳定改善同一指标。已有 EEG 相关工作尚未检索确认。