MAGR: Manifold-Aligned Graph Regularization for Continual Action Quality Assessment

本文介绍了Action Quality Assessment（AQA）评估多样的技能，但模型在处理非静态数据时存在困难。作者提出了Continual AQA（CAQA）方法，使用稀疏的新数据来完善模型。特征重放可以保留记忆，而不需要存储原始输入数据。然而，静态旧特征和动态变化的特征流形之间的不匹配会导致严重的灾难性遗忘。为了解决这个新问题，作者提出了Manifold-Aligned Graph Regularization（MAGR）方法，首先将偏离的旧特征与当前特征流形对齐，确保表示的一致性。然后，它构建了一个图，联合排列了旧特征和新特征，并根据质量分数进行对齐。实验表明，MAGR在MTL-AQA、FineDiving、UNLV-Dive和JDM-MSA分割数据集上的相关性增益分别高达6.56%、5.66%、15.64%和9.05%，证明了MAGR在处理非静态技能变化方面的持续评估挑战中的有效性。

本论文旨在解决Action Quality Assessment (AQA)中的非平稳数据问题，提出Continual AQA (CAQA)来优化模型。

论文提出Manifold-Aligned Graph Regularization (MAGR)来解决静态旧特征和动态变化的特征流形之间的严重灾难性遗忘问题。

论文通过实验验证了MAGR在MTL-AQA、FineDiving、UNLV-Dive和JDM-MSA等数据集上的优越性，相比最近的强基线模型，相关系数提高了6.56%、5.66%、15.64%和9.05%。

在这个领域中，最近的相关研究包括：《Continual Learning with Deep Generative Replay》、《Online Continual Learning with Maximally Interfered Retrieval》等。