论文页面 - Parameter-Efficient Multi-View Proficiency Estimation: From Discriminative Classification to Generative Feedback

来源: https://huggingface.co/papers/2605.03848

摘要

三种多视角熟练度估计方法——SkillFormer、PATS 和 ProfVLM——在减少参数和训练轮次的同时，在 Ego-Exo4D 数据集上达到了最先进的准确率，并能够生成可解释的反馈。

估计一个人执行动作的熟练程度，而非判断执行了哪个动作，对于教练指导、康复训练和人才选拔至关重要。这项任务极具挑战性，因为熟练度编码在时序、平衡、身体力学和执行方式的细微差异中，通常分布在多个视角和短暂的时序事件中。我们讨论了三项关于 Ego-Exo4D 上多视角熟练度估计（https://huggingface.co/papers?q=proficiency%20estimation）的最新研究进展。SkillFormer 提出了一种用于选择性多视角融合（https://huggingface.co/papers?q=multi-view%20fusion）的参数高效判别式架构；PATS 通过保留基本动作的局部密集片段改进了时序采样（https://huggingface.co/papers?q=temporal%20sampling）；ProfVLM 将熟练度估计（https://huggingface.co/papers?q=proficiency%20estimation）重构为条件语言生成（https://huggingface.co/papers?q=conditional%20language%20generation），通过门控跨视角投影器（https://huggingface.co/papers?q=gated%20cross-view%20projector）和紧凑的语言骨干网络（https://huggingface.co/papers?q=language%20backbone）同时生成熟练度标签和专家级反馈。总体而言，这些方法在 Ego-Exo4D 上达到了最先进的准确率，与视频 Transformer 基线（https://huggingface.co/papers?q=video-transformer%20baselines）相比，可训练参数减少了多达 20 倍，训练轮次减少了多达 3 倍，同时实现了从闭集分类向可解释反馈生成的转变。这些结果突显了向高效多视角系统的转变，该系统结合了选择性融合、感知熟练度的采样以及可操作的生成式反馈。

查看 arXiv 页面 (https://arxiv.org/abs/2605.03848)查看 PDF (https://arxiv.org/pdf/2605.03848)添加到收藏集 (https://huggingface.co/login?next=%2Fpapers%2F2605.03848)

在你的 agent 中获取这篇论文：

hf papers read 2605\.03848

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型 0

没有链接此论文的模型

在模型 README.md 中引用 arxiv.org/abs/2605.03848 以在此页面建立链接。

引用此论文的数据集 0

没有链接此论文的数据集

在数据集 README.md 中引用 arxiv.org/abs/2605.03848 以在此页面建立链接。

引用此论文的 Spaces 0

没有链接此论文的 Space

在 Space README.md 中引用 arxiv.org/abs/2605.03848 以在此页面建立链接。

包含此论文的收藏集 0

没有包含此论文的收藏集

将此论文添加到收藏集 (https://huggingface.co/new-collection) 以在此页面建立链接。