XINRAN DUAN / 返回总览
ICLR 2026 · CO-FIRST AUTHOR

特征需求可以冲突,
任务目标仍然能够互相帮助

骨骼时序动作分割既要保证段内分类稳定,又要对动作切换保持敏感。CurvSeg 先用专家解耦冲突,再用几何曲率恢复协同。

63.6 → 65.5PKU-MMD X-sub · F1@50 +1.9
EDD + CGS双专家解耦 + 曲率引导协同
Privacy-aware骨骼输入弱化外观和身份信息

关键不是“要不要解耦”,而是解耦后如何重新交流

CLASSIFICATION

需要时间不变性

同一动作内部的姿态变化不应导致类别不断抖动。

LOCALIZATION

需要时间敏感性

边界附近的细微变化必须被放大,才能准确找到切换时刻。

FAILURE

彻底解耦形成信息孤岛

知道“正在做什么”本应帮助判断“何时结束”,但独立分支切断了这类互补信息。

曲率把分类空间的几何结构变成定位信号

CurvSeg 方法总览
EDD 为分类和定位提取任务自适应表示;CGS 使用分类轨迹曲率指导边界预测,并让定位结果反向塑造分类空间。
EDD

双专家加权

在空间与时间维度分别保留分类稳定性和定位细节,避免用一套共享特征硬扛冲突。

CURVATURE

几何边界先验

良好分类空间中,段内轨迹受类别簇约束呈高曲率,转场处出现曲率谷值。

SYNERGY

双向闭环

曲率帮助定位;更准确的边界又反向约束分类表征,形成正反馈。

Case:减少过分割,并把边界放回正确位置

CurvSeg 定性分割案例
ICLR 论文 Figure 5:在 PKU-MMD、LARa 与 MCFS-130 上,CurvSeg 的分割结果更贴近 GT,红框处可见过分割减少、边界更准确。
蓝线

分类特征的曲率序列;谷值为潜在动作转折提供几何线索。

彩色条带

不同颜色代表动作段。相比 LaSA、DeST,Ours 与 GT 的段数和边界更一致。

可迁移理解

面对多任务冲突,不是简单共享或彻底隔离,而是寻找能跨任务传递的中间结构。

一句话讲法:我的贡献是找到“曲率”这个可解释的接口,让分类和定位从两个独立 head 变成能够互相校正的系统。
下一项:把高级能力整合进统一基模蚂蚁 V3 合训 →