摘要

在3D人体动作识别中，有限的监督数据使得难以充分发挥强大网络（如变压器网络）的建模潜力。因此，研究人员一直在积极探讨有效的自监督预训练策略。在这项工作中，我们表明，与流行的预训练任务不同，即在人体关节上执行掩码自组件重建，显式的上下文运动建模对于学习有效的特征表示以实现3D动作识别的成功至关重要。具体而言，我们提出了掩码运动预测（Masked Motion Prediction, MAMP）框架。该框架以掩码时空骨架序列作为输入，并预测被掩码的人体关节对应的时域运动。考虑到骨架序列的高度时间冗余性，在我们的MAMP框架中，运动信息还充当了经验性的语义丰富性先验，指导掩码过程，促进对语义丰富的时域区域给予更多关注。在NTU-60、NTU-120和PKU-MMD数据集上的大量实验表明，所提出的MAMP预训练方法显著提升了采用的标准变压器网络的性能，在没有额外复杂技巧的情况下达到了最先进的结果。我们的MAMP源代码可在https://github.com/maoyunyao/MAMP 获取。