Eine Übersicht über Deep Learning-basierte Bewertung der Aktionsqualität: Methoden und Anwendungen

Die Bewertung der Aktionsqualität (Action Quality Assessment, AQA) hat kürzlich als wichtiges Forschungsgebiet an Bedeutung gewonnen, angetrieben durch Fortschritte im Deep Learning und den steigenden Bedarf an automatisierten, objektiven Bewertungen der Ausführung menschlicher Handlungen. Im Gegensatz zu traditionellen Aufgaben der Aktionserkennung beinhaltet AQA eine differenzierte Analyse mit dem Ziel, die Qualitätsleistung zu quantifizieren und so praktische Anwendungen in verschiedenen Bereichen wie Sportbewertung, Rehabilitationsüberwachung und Bewertung beruflicher Fähigkeiten zu ermöglichen. Diese Übersicht bewertet systematisch Deep Learning-basierte Methoden für die video-basierte AQA und kategorisiert bestehende Ansätze anhand von Datenmodalitäten, Lernparadigmen und Bewertungsgüte. Konkret umfasst die Übersicht Einzelmodalitäts- und neuartige multimodale Ansätze, die visuelle, auditive und textuelle Informationen integrieren, sowie überwachte, selbstüberwachte und kontrastive Lernmethoden. Wichtige Benchmark-Datensätze, die in der AQA-Forschung verwendet werden, werden umfassend analysiert, wobei deren Umfang, Repräsentativität und Annotationsmerkmale betont werden. Darüber hinaus werden kritische Herausforderungen im Feld identifiziert und diskutiert, einschließlich begrenzter Modellgeneralisation, Mehrdeutigkeiten bei Scoring-Annotationen und Interpretierbarkeitsprobleme. Potenzielle zukünftige Forschungsrichtungen, die diese Einschränkungen adressieren und die praktische Implementierung von AQA weiter vorantreiben könnten, werden ebenfalls vorgeschlagen.