¿Qué significa "TDSM"?
Tabla de contenidos
TDSM es un método que se usa para reconocer acciones basadas en datos de esqueleto cuando las acciones no se han visto antes. La idea principal detrás de TDSM es emparejar las características de los datos del esqueleto con descripciones de texto de las acciones. Esto ayuda al sistema a predecir nuevas acciones de manera precisa.
Los métodos tradicionales han tenido problemas porque los datos del esqueleto y los datos de texto no se ajustan fácilmente, lo que hace que sea complicado aprender de forma efectiva. TDSM se inspira en cómo funcionan algunos modelos de texto a imagen y se enfoca en mejorar el proceso de entrenamiento. En lugar de generar nuevos datos, alinea las características del esqueleto con las descripciones de texto durante el entrenamiento.
Para hacer el proceso de emparejamiento más fuerte, TDSM utiliza una técnica especial llamada pérdida de difusión de tripletas. Esto ayuda a asegurar que los emparejamientos correctos entre el esqueleto y el texto estén más cerca, mientras que los incorrectos se alejan. Como resultado, TDSM muestra un mejor rendimiento que los métodos actuales, permitiéndole hacer predicciones más precisas en situaciones donde se encuentra con acciones nuevas.
Modelos de Difusión Robusta al Ruido de Etiquetas
Entrenar modelos para generar datos a menudo requiere grandes conjuntos de datos, que pueden incluir información ruidosa o incorrecta. Este ruido puede afectar la calidad de los datos generados y hacer que sean menos fiables.
Para abordar este problema, se introduce un nuevo enfoque llamado TDSM. Este método se enfoca en entrenar estos modelos de manera que maneje el ruido presente en el conjunto de datos. Combina diferentes métodos de puntuación y considera cómo las etiquetas pueden cambiar con el tiempo. Al personalizar el proceso para tener en cuenta estos factores de ruido, TDSM mejora la calidad de los resultados generados.
A través de pruebas en diferentes conjuntos de datos, TDSM ha demostrado que puede producir mejores muestras que se alinean más estrechamente con las condiciones deseadas. Este método también muestra un mejor rendimiento en comparación con las formas estándar de corregir etiquetas ruidosas, demostrando ser una estrategia efectiva para entrenar modelos en presencia de ruido.