[2026年7月28日提交]

查看PDF HTML（实验性）

摘要：在复杂场景下的动作识别往往涉及多个并发细粒度动作，这使得建模内部动作结构变得具有挑战性。现有大多数方法依赖整体表示，难以捕捉细微交互和细粒度语义。虽然最近的基于提示的方法引入了解耦，但缺乏明确的语义引导，而仅基于视觉或结构线索的方法仍属于粗粒度。在本文中，我们提出知识引导的原子动作解耦（KDA），利用细粒度语义知识来增强动作表示并实现更精确的解耦。具体而言，我们使用大语言模型（LLM）将动作标签分解为原子动作，提供明确的空间-时间语义。知识注入模块（KIM）首先将原子动作知识整合到视频特征中。基于此增强的表示，知识解耦模块（KDM）进一步解耦原子动作知识，为动作解耦提供更精确的语义引导。我们引入知识解耦损失（KD Loss）以促进KDM中知识组件的更清晰解耦。大量实验表明，KDA提升了特征判别力，并在多标签动作识别基准上取得了最先进性能。此外，KIM和KDM可轻松集成到其他方法中，展示了强大的通用性。

提交历史

来自：Tianci Wu [查看邮箱]
[v1] 2026年7月28日 星期二 03:54:27 UTC (1,265 KB)