近期，HPC实验室研究成果被国际神经网络顶级期刊IEEE Transactions on Neural Networks and Learning Systems和多媒体旗舰会议IEEE Conference on Multimedia Expo 2024（CCF B）录用。论文均有HPC实验室硕士生和刘胜蓝副教授合作完成。

论文1：刘胜蓝，丁宇宁（硕士生，共同第一作者）等共同完成的研究成果被神经网络顶级期刊IEEE Transactions on Neural Networks and Learning Systems录用。该期刊为中国科学院大类一区TOP期刊。论文题目为：

MultiDimensional Refinement Graph Convolutional Network with Robust Decouple Loss for Fine-Grained Skeleton-Based Action Recognition

论文提出了MDR-GCN网络和RDL loss，应用于细粒度动作识别任务。本方法可以提高通道、空间和帧级特征在细粒度动作识别中的判别力，并增强对类间和类内的样本分布的优化能力，有效解决了细粒度动作识别中类间数据相似度高、数据噪声大等挑战。在NTU-RGB+D等三个公开数据集上，本方法取得了领先的性能。值得一提的是，论文实验中使用的FSD10花滑动作识别数据集是HPC团队提出的细粒度动作分类数据集。

论文2：刘与乐（硕士生），董竹奔，刘胜蓝等共同完成的研究成果被多媒体旗舰会议IEEE Conference on Multimedia Expo 2024录用。论文题目：

Two-step Temporal Divisive Clustering for Unsupervised Action Segmentation

论文提出了两步时序分裂聚类方法(TTDC)用于无监督视频动作分割领域 ，它由两个部分组成：第一部分叫做时序分裂聚类(TDC)，在这一步中我们考虑了相邻帧之间地相似性和类内部的数据分布，其可以更好地结合局部信息和全局上下文信息以提供更准确的聚类结果；第二部分叫做自监督软边界回归网络(SS-BRN)，其将MS-TCN作为主干网络，并利用上一步TDC的结果生成软边界伪标签进行训练，以细化TDC的边界。我们在3个公开数据集上进行了大量实验，评估结果表明TTDC在很大程度上优于最先进的方法。

论文3：段海飞（硕士生），刘胜蓝等共同完成的研究成果被多媒体旗舰会议IEEE Conference on Multimedia Expo 2024录用。论文题目：

Decoupling Spatio-Temporal Network for Fine-grained Temporal Action Segmentation

与一般的时间动作分割相比，细粒度时间动作分割（TAS）提出了更大的挑战。细粒度TAS需要区分相似动作之间的细微差异，并与时空属性一起精确建模。然而，大多数方法忽略了对时空特性的探索，导致在细粒度数据集上性能不佳。在本文中，我们提出了一种新的解耦时空网络（DSTN），该网络包括动作分割专家（ASE）和语义信息决策图（SIDM）。DSTN旨在通过解耦时空特征和属性来获得独立的动作语义。ASE由空间ASE（S-ASE）和时间ASE（T-ASE）组成，用于逐帧的动作分割，而SIDM用于对齐时空属性动作标签，以确保结果的合理性。通过利用预先存在的时空属性动作，DSTN能够实现零样本动作分割和新动作的识别。此外，认识到当前数据集的局限性，我们专门为细粒度TAS构建了FineSkating数据集。我们的模型在三个具有挑战性的细粒度数据集上优于或与最先进的方法相媲美。