摘要

为了理解人类行为，我们不仅需要识别个体行为，还必须建模可能极为复杂的群体活动及其交互过程。目前，层次化模型在群体活动识别任务中表现最佳，但其训练通常依赖于个体行为层面的细粒度标注。本文表明，仅利用骨骼数据，我们即可在仅提供序列级别群体活动标签的情况下，训练出达到当前最优水平的端到端系统。实验结果表明，缺乏个体行为监督的模型性能显著下降。然而，我们进一步证明，通过任意预训练的特征提取器即可生成伪标签，从而实现与监督训练相当的最终性能。最后，我们设计的轻量级仅基于姿态的网络架构，在自监督变体下仍能取得与更复杂的多模态方法相媲美的优异结果，展现出极强的竞争力。