Towards Causal Representation Learning for Human Motion Representation

Abstract

In questa tesi consideriamo il paradigma della causalità e le sue potenziali connessioni con il deep learning, in cui la rappresentazione dei dati viene appresa dai dati stessi. Il lavoro si è concentrati in particolare sull’analisi del movimento umano e sui benefici che l’impiego di principi di causalità potrebbero avere su metodi computazionali. Riassumendo, gli obiettivi della tesi sono stati i seguente: - Studiare metodi proveniente dal paradigma della causalità che possano essere impiegati nell’analisi di dati temporali e del movimento umano in particolare - Acquisire un insieme di dati video di azioni che coinvolgono la parte alta del corpo e l’interazione con oggetti - Caratterizzare e fornire una baseline per il dataset acquisito - Predisporre una analisi preliminare di metodi che sfruttano il paradigma di causalità combinando grafi causali e reti neurali per la classificazione di azioni Il lavoro si chiude con alcune considerazioni su come migliorare gli approcci proposti.

We introduce briefly causality, human motion, representation learning, and the incentives behind causal representation learning, whose aim is the integration of causality in modern machine learning methods. The thesis’ objectives were the following: collect a data set suited to motion analysis, study causal approaches for use in human motion representation and analysis, as well as conceive, and assess one such approach. Our work is focused on the field of human motion, and we present in turn the collection and analysis of a human motion dataset, then the application of causal concepts for downstream tasks, taking action recognition as a study case. We investigate a preliminary approach to causal representation learning based on graph neural networks, and provide several ways our learning framework can be improved upon.