从事件窗口LDP运动描述符中恢复循环相位和参考信息

《Knowledge-Based Systems》:Cyclic phase and reference recovery from event-window LDP motion descriptors

【字体: 大 中 小 】 时间:2026年10月21日 来源:Knowledge-Based Systems 8.0

编辑推荐:

  •情侣间隔接受、循环分组以及隐私意识阶段估计。•通过服务器端后处理来保护事件窗口的局部隐私。•使用配对循环决策和人类分割测试恢复能力。•当弱释放对比度重用证据时,能够揭示错误接受。•将语义推理与隐私和公共持续时间效应分开。 引言 智能运动分析系统使用紧凑的姿态描述符来进行循环边

  •情侣间隔接受、循环分组以及隐私意识阶段估计。•通过服务器端后处理来保护事件窗口的局部隐私。•使用配对循环决策和人类分割测试恢复能力。•当弱释放对比度重用证据时,能够揭示错误接受。•将语义推理与隐私和公共持续时间效应分开。

引言
智能运动分析系统使用紧凑的姿态描述符来进行循环边界评估、重复片段对齐和延迟反馈[1]、[2]、[3]、[4]。这些决策需要一个主导的节奏参考间隔、一个内在的循环起点、循环边界的连续性以及一个分阶段的描述符模板。仅仅低坐标误差并不能确保正确的时间结构:间隔或起点的误差可能会混淆不兼容的阶段,在有外部音乐节拍锚点时隐藏循环不连续性,或者偏置节拍偏移反馈。

运动描述符还暴露了行为、生物特征和活动线索。局部差异隐私(LDP)在上传之前对描述符进行随机化,同时将原始轨迹保留在设备上[5]、[6]。在这里,客户端在其流中应用逐坐标的方波(SW)随机化,并在w事件LDP预算下进行。服务器仅接收X′,而不接收干净的校准、同步的音乐、用户特定模板或额外的客户端查询。

SW将[0,1]映射到扩展的支持范围[?b,1+b]。在窗口级预算和24维描述符的情况下,坐标级对比度可能较弱。虚假的光谱证据可能会改变接受的间隔,混淆来自不同阶段的观测结果,并在峰值、谷值和边界附近产生偏差估计。这种耦合促使了间隔验证、循环分组和随机化器感知估计的联合约束。

流式LDP解决了释放、分布恢复和时间序列形状的问题[7]、[8]、[9];最近的工作涵盖了私有光谱、连续报告和轨迹表示[10]、[11]、[12]。周期性工具估计间隔和季节性模板[13]、[14]、[15]、[16]、[17],而隐私意识姿态系统保护识别输入[18]、[19]、[20]、[21]。我们的问题是,当服务器必须使用固定的SW释放时,间隔接受、观测分组和相位值恢复应该如何相互约束。

循环相位和参考恢复(CPR)将光谱箱视为假设,验证重复性和跨尺度或全局支持,对齐片段,并使用SW感知的EM/KDE估计器来估计相位模板。其贡献在于条件耦合:一个可接受的间隔决定了哪些观测结果共享一个相位,而这种分组决定了潜在坐标的概率。验证失败将返回无周期性决策的SW-MLE;更好的坐标估计器无法修复不正确的分组。因此,结构知识控制着推理和下游输出的暴露。公共骨架投影是辅助的,标准后处理提供了隐私前提。

CPR针对具有足够支持的重复或准周期运动。非周期运动、突然转换和重复不足需要备用方案或单独分析。事件窗口LDP并不意味着用户级别的匿名性或隐藏整个序列的动作、风格或身份。因此,我们区分了节奏效用、姿态合理性、循环选择和剩余的语义风险。语义可恢复性用于诊断范围,而不是作为第二个恢复目标。

证据具有相应的边界。提供的AIST++判断评估了可见的重复性和半周期/双周期选项,但不包含边界帧。已发布的舞蹈分割注释[22]提供了基于节拍/半节拍候选网格的独立边界,而不是唯一的物理周期。HumanML3D在这里缺乏独立的周期标签,因此Welch–ACF比较用于衡量自动参考的一致性。描述符的保真度和语义诊断不需要人类周期标签。

贡献包括:
1. 在SW不确定性下的耦合结构恢复。CPR在固定释放边界下实现依赖的间隔可接受性、循环分组和随机化器感知的相位估计决策。
2. 由知识控制的输出决策。重复性和循环结构控制间隔暴露和对齐;SW概率控制值估计,公共骨架投影作为辅助,并且备用方案可以抑制不受支持的反馈。
3. 证据分离评估。人类间隔判断、发布的分割、自动参考、循环选择和语义诊断评估不同的声明,包括默认门控的失败和公共持续时间通道的失败。

章节片段
智能节奏运动分析
节奏分析支持节拍对齐、视频-音频协调、步态、编舞、康复和合成[1]、[2]、[3]、[23]、[24]、[25]。这些应用需要时间标志:相位错误可能会扭曲循环连续性、片段比较以及外部锚定的早期/晚期节拍判断。CPR恢复了这些决策所需的间隔和循环坐标。

时间与姿态数据的局部隐私
LDP在上传前对描述符进行客户端随机化,而不上传原始轨迹[5]、[26]、[27]。

问题定义和隐私模型
设X={xt}t=1n, xt∈[0,1]d,是一个标准化的描述符流,其中d=24用于姿态,d=1用于标量包络。CPR针对具有足够支持的重复或准周期片段;其他输入需要备用方案或特定于任务的非周期分析。

定义1 节奏参考描述符模型
节奏描述符流在操作上由一个主导的参考间隔T、一个循环参考起点a和一个T阶段描述符模板R=(R1,…,RT)表示,其中Rj∈[0,1]d。等价地,xt=R?(t)+ηt,其中?(t)=1+((t?a)modT)且ηt

数据集、分割和参考证据
我们评估了AIST++舞蹈运动[2]和HumanML3D(HML3D)自然活动[34],包括弱循环片段。AIST++在官方排除后保留了1363个序列;提供的169个问卷片段中有165个被保留,其余的以种子20 260 919进行分割。HML3D采样遵循官方分割,排除镜像重复项,并使用种子20 260 920。表4区分了人类和自动参考的覆盖范围。每个测试片段都有助于提高保真度和循环选择。

机制和适用性
CPR针对具有足够支持的重复或准周期运动。非周期运动、突然转换和重复不足需要备用方案或单独分析。事件窗口LDP并不意味着用户级别的匿名性或隐藏整个序列的动作、风格或身份。因此,我们区分了节奏效用、姿态合理性、循环选择和剩余的语义风险。语义可恢复性用于诊断范围,而不是作为第二个恢复目标。

证据具有相应的边界。提供的AIST++判断评估了可见的重复性和半周期/双周期选项,但不包含边界帧。已发布的舞蹈分割注释[22]提供了基于节拍/半节拍候选网格的独立边界,而不是唯一的物理周期。HumanML3D在这里缺乏独立的周期标签,因此Welch–ACF比较用于衡量自动参考的一致性。描述符的保真度和语义诊断不需要人类周期标签。

贡献包括:
1. 在SW不确定性下的耦合结构恢复。CPR在固定释放边界下实现依赖的间隔可接受性、循环分组和随机化器感知的相位估计决策。
2. 由知识控制的输出决策。重复性和循环结构控制间隔暴露和对齐;SW概率控制值估计,公共骨架投影作为辅助,并且备用方案可以抑制不受支持的反馈。
3. 证据分离评估。人类间隔判断、发布的分割、自动参考、循环选择和语义诊断评估不同的声明,包括默认门控的失败和公共持续时间通道的失败。

作者贡献声明
Yaxuan Wang:方法论。Yadi Wen:可视化、验证。Rong Du:写作——原始草稿。Yue Fu:监督。Enji Liang:写作——审阅和编辑。

在手稿准备过程中声明生成式AI和AI辅助技术
在准备这项工作的过程中,作者使用了OpenAI Codex进行语言修订、实现审计、实验脚本编写和文档准备。作者根据需要进行审查和编辑,并对发表的文章内容负全责。

资金
这项研究没有从公共、商业或非营利部门的资助机构获得任何特定资助。

利益冲突声明
作者声明他们没有已知的利益冲突或个人关系可能影响本文报告的工作。

Yaxuan Wang | Yadi Wen | Rong Du | Yue Fu | Enji Liang
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号