摘要

基于骨架的动作识别近年来受到广泛关注。为构建高精度的骨架动作识别模型，研究者们提出了多种方法。其中，部分方法采用大规模模型架构作为识别器的主干网络，以增强对骨架数据的表征能力；另一些方法则通过在外部数据上进行预训练，以丰富模型的知识。本文观察到，广泛应用于各类自然语言处理任务的大语言模型（Large Language Models, LLMs）通常兼具大规模模型架构与丰富的隐式知识。受此启发，我们提出了一种新颖的LLM-AR框架，探索将大语言模型直接用作动作识别器的可行性。在该框架中，我们设计了一种语言投影机制，将每个输入的动作信号（即骨架序列）映射为“句子格式”（即“动作语句”）。此外，我们还引入多项设计以进一步优化该语言投影过程。大量实验结果验证了所提框架的有效性。