USDRL：基于多粒度特征去相关的统一骨架稠密表征学习

基于摘要分析。本文研究基于骨架的动作表征学习，提出 USDRL，通过时间、空间与实例域的多粒度特征去相关减少表征维度间的冗余，并以 Dense Spatio-Temporal Encoder（DSTE）提取细粒度动作表征，兼顾动作识别、检索与检测任务。 机制与创新：作者指出，既有方法多依赖负样本，并借助额外的动量编码器和记忆库获取负样本，增加训练复杂度；同时偏重全局表征，未充分利用稠密预测所需的局部细节。USDRL 将多粒度去相关与稠密时空编码结合，试图同时改善信息提取与局部表征质量。摘要未给出去相关损失的具体形式、DSTE 结构及训练配置，不能据此确定各组件的独立贡献或计算开销。 结果与证据边界：作者报告，在 NTU-60、NTU-120、PKU-MMD I 和 PKU-MMD II 上，面向动作识别、动作检索和动作检测的实验优于所比较的 SOTA 方法；摘要未提供各数据集对应的任务协议、划分、指标或具体数值，优势幅度、实验协议、消融及统计信息尚未验证。作者提供了代码与模型链接，但其可运行性和复现条件尚未核验。 平台推测（待验证）：可检验的迁移假设是，时间与空间维度的去相关可能帮助 EEG 表征减少冗余，但原研究依赖骨架关节的时空结构，不等同于 EEG 电极信号。迁移时需改造输入与空间关系编码，并核对实例构造和监督需求；低信噪比、跨被试差异、通道变化及小数据下，去相关约束也可能削弱有用的共同活动。可先在固定 EEG 数据划分与同一编码器下，对比无去相关和加入去相关约束的版本，分别核对被试内与跨被试表现。已有 EEG 相关工作尚未检索确认。