💻 computer science

Appearance-Invariant Detection of Suggestive Motion via Laban Movement Descriptors on SMPL Skeletons

Ce papier présente un pipeline de classification du mouvement invariant à l'apparence qui utilise des descripteurs de l'Analyse du Mouvement de Laban sur des squelettes SMPL pour détecter efficacement des mouvements suggestifs et explicites dans des environnements virtuels, atteignant une haute précision dans la distinction entre les niveaux de mouvement quotidien, artistique, suggestif et explicite.

Auteurs originaux : Jaehoon Ahn, Jeonghan Kong, Moon-Ryul Jung

Publié 2026-05-26

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Jaehoon Ahn, Jeonghan Kong, Moon-Ryul Jung

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez de repérer une danse « risquée » dans une pièce bondée. Habituellement, les caméras de sécurité (ou l'IA) observent ce que les gens portent. Si quelqu'un porte une tenue minuscule, l'IA déclenche l'alarme. Mais que se passe-t-il si cette même danse risquée est exécutée par une personne vêtue d'un costume géant et ample ? L'ancienne IA la manquerait complètement car elle est trop focalisée sur les vêtements, et non sur la danse.

Ce papier présente une nouvelle méthode pour détecter un mouvement « suggestif » qui ignore totalement les vêtements, la morphologie du corps et la peau. Au lieu de cela, elle écoute la danse elle-même.

Voici la décomposition de leur approche à l'aide d'analogies simples :

1. Le Problème : Le « Angle Mort » des Vêtements

Les systèmes d'IA actuels ressemblent à des videurs qui ne vérifient que les pièces d'identité. Si la « pièce d'identité » (la tenue de l'avatar) semble sûre, ils laissent entrer la personne, même si elle exécute une danse risquée. Les auteurs ont testé une IA ultra-intelligente (Qwen3-VL) et ont constaté que si vous cachez les vêtements et ne montrez que le squelette (les os en forme de bonhomme allumette), l'IA se perd. Elle ne parvient pas à distinguer une marche normale d'une danse suggestive.

2. La Solution : Le « Professeur de Danse » (Analyse du Mouvement Laban)

Les auteurs ont décidé d'utiliser une vieille théorie de la danse appelée Analyse du Mouvement Laban (LMA). Imaginez cela comme un langage universel pour décrire comment un corps bouge, et non à quoi il ressemble.

Ils ont traduit cette théorie de la danse en mathématiques. Ils ont décomposé le mouvement en quatre « saveurs » principales (Facteurs d'Effort) :

Flux : Le mouvement est-il bloqué et tendu (Contrôlé) ou lâche et flottant (Libre) ?
Espace : Le mouvement va-t-il droit au but (Direct) ou serpente-t-il en cercles (Indirect) ?
Temps : Est-ce un coup sec et soudain (Soudain) ou un étirement lent et prolongé (Soutenu) ?
Poids : Est-il lourd et fort ou léger et délicat ?

L'Analogie : Imaginez décrire une danse non pas en disant « Il porte un short », mais en disant « Il bouge avec des coups lourds, soudains et directs ». C'est le langage qu'ils ont utilisé.

3. L'Expérience : Tri de la Piste de Danse

Ils ont rassemblé un énorme tas de clips vidéo (plus de 17 heures au total) et les ont triés en quatre « niveaux » de danse :

Niveau 0 (Quotidien) : Marcher, s'asseoir, manger. (Mouvements ennuyeux et fonctionnels).
Niveau 1 (Artistique) : Breakdance, ballet, gymnastique. (Mouvements cool et à haute énergie).
Niveau 2 (Suggestif) : Twerking, danse sensuelle. (Les mouvements de la « zone grise »).
Niveau 3 (Explicite) : Contenu clairement pour adultes.

Ils ont retiré tous les pixels de la vidéo (les images réelles) et ont fourni à l'ordinateur uniquement les données du squelette (les coordonnées 3D des articulations). Ils ont ensuite demandé à un modèle mathématique simple (Régression Logistique) de trier ces clips en utilisant les descripteurs de danse « Laban ».

4. Les Résultats : L'IA a Appris le Rythme

Même sans voir de peau ni de vêtements, le système s'est révélé étonnamment bon pour deviner la catégorie :

Vérification Binaire (Sûr vs Non Sûr) : Il était précis à 79 % pour distinguer « Sûr » (Niveaux 0 et 1) de « Non Sûr » (Niveaux 2 et 3).
La Lutte de la « Zone Grise » : Il avait plus de mal à distinguer « Artistique » (Niveau 1) de « Suggestif » (Niveau 2). Cela a du sens ! Les deux impliquent une haute énergie et une danse continue. L'IA s'est trompée environ 24 % du temps ici, ce qui est attendu car le style est similaire, même si l'intention diffère.
Les Extrêmes : Il était très bon pour repérer la marche « Quotidienne » (Niveau 0) et les mouvements « Explicites » (Niveau 3).

5. Le Moment « Aha ! » : Le Paradoxe de la « Directivité »

La découverte la plus intéressante concernait la Directivité.

Le mouvement Normal/Fonctionnel (comme marcher vers le réfrigérateur) est Direct. Vous allez du Point A au Point B en ligne droite.
Le mouvement Suggestif est Indirect. Les articulations tracent des chemins sinueux, circulaires ou recirculants. C'est comme si le corps se « montrait » plutôt que d'« aller » quelque part.

L'IA a appris que si le squelette se déplace en lignes droites et efficaces, c'est probablement sûr. Si le squelette trace des boucles complexes et sinueuses, c'est probablement suggestif. Cela a confirmé la théorie de la danse : le passage du « fonctionnel » au « suggestif » repose tout entier sur le passage du Direct à l'Indirect.

Résumé

Le papier prouve que vous n'avez pas besoin de regarder le corps ou les vêtements d'une personne pour savoir si une danse est inappropriée. Vous devez simplement écouter la géométrie du mouvement. En traduisant la théorie de la danse en mathématiques, ils ont construit un système capable de repérer un mouvement « suggestif » simplement en regardant le bonhomme allumette danser, indépendamment de ce que porte l'avatar.

Résumé technique : Détection invariante à l'apparence des mouvements suggestifs via des descripteurs de mouvement Laban sur des squelettes SMPL

Énoncé du problème

La modération de contenu dans les environnements virtuels 3D (par exemple, VRChat, Roblox) repose actuellement fortement sur une analyse au niveau des pixels pour détecter les contenus inappropriés. Cette approche crée un angle mort significatif : les classificateurs apprennent à identifier les vêtements révélateurs, l'exposition de la peau ou les formes corporelles plutôt que le mouvement lui-même. Par conséquent, les modèles multimodaux les plus avancés (tels que Qwen3-VL) échouent à classer les mouvements suggestifs lorsqu'ils sont confrontés à des visualisations uniquement squelettiques. Les auteurs postulent qu'un système de modération robuste pour la suggestivité des mouvements doit opérer sur la dynamique du mouvement, indépendamment de l'apparence, comblant ainsi le vide où des mouvements illicites persistent malgré des avatars visuels « sûrs ».

Méthodologie

Le pipeline proposé est un système de classification basé uniquement sur le mouvement qui extrait des descripteurs de mouvement qualitatifs à partir des trajectoires de squelettes SMPL, en écartant complètement les données de pixels.

1. Construction des données

Les auteurs ont construit un jeu de données ordinal équilibré à quatre niveaux, comprenant 20 514 fragments de mouvement (couvrant plus de 17 heures de vidéo) dérivés de 1 788 vidéos :

Niveau 0 (Quotidien) : Marche, assise, repas (issus de Kinetics-700).
Niveau 1 (Artistique) : Breakdance, ballet, capoeira, gymnastique (issus de Kinetics-700).
Niveau 2 (Suggestif) : Twerking, dancehall, bachata sensuel, talons, fanchams K-pop (issus de TikTok/YouTube).
Niveau 3 (Explicite) : Dérivé du corpus académique NPDI.

2. Extraction du squelette

La vidéo brute est traitée via un pipeline qui rejette les images RVB :

Filtrage : YOLO11x-pose filtre les images pour ne conserver que celles comportant $\ge$ 10 points clés visibles avec une confiance $\ge$ 0,5.
Segmentation : Des segments continus d'une durée $\ge$ 3 secondes sont extraits.
Reconstruction : WHAM (World-space Human Motion) infère les positions des articulations SMPL par image dans l'espace monde, incluant une estimation du contact avec le sol.

3. Extraction des caractéristiques (Analyse du mouvement Laban)

L'innovation centrale réside dans l'opérationnalisation du cadre d'Effort de Rudolf Laban en 55 descripteurs calculables par image, regroupés en cinq catégories :

Dispersion : Portée des membres et distances articulaires.
Effort : Flux, Espace, Temps et Poids.
Cinématique par articulation : Accélération, à-coup, énergie cinétique, vitesse et directivité pour 6 articulations spécifiques.
Initiation : Identification de l'articulation directrice.
Trajectoire : Longueur du chemin, courbure et déplacement.

Ces caractéristiques par image sont agrégées en un vecteur de 110 dimensions par fragment de mouvement en utilisant la moyenne et l'écart-type de chaque caractéristique.

4. Classification

Le système emploie des classificateurs de régression logistique et de forêt aléatoire entraînés sous une validation croisée à 5 plis sur le jeu de données équilibré. La tâche est formulée de trois manières :

Binaire : Sûr pour le travail (SFW) vs Non sûr pour le travail (NSFW).
Trois voies : Quotidien/Artistique vs Suggestif vs Explicite.
Quatre voies : La hiérarchie ordinale complète (Quotidien, Artistique, Suggestif, Explicite).

Résultats clés

Précision : Le modèle de régression logistique a obtenu :
- 78,7 % de précision binaire (SFW/NSFW), surpassant significativement la ligne de base aléatoire de 50 %.
- 72,1 % de précision à trois voies (33 % de chance).
- 57,3 % de précision à quatre voies (25 % de chance).
Modèles de confusion : Les erreurs sont concentrées entre les niveaux adjacents. Plus précisément, la frontière entre le Niveau 1 (Artistique) et le Niveau 2 (Suggestif) est la plus difficile à distinguer, avec 24 % des fragments du Niveau 1 mal classés comme Niveau 2 et 20 % du Niveau 2 mal classés comme Niveau 1. Les deux niveaux impliquent une danse continue à haute énergie mais diffèrent par les qualités d'« Effort ».
Récupération des extrêmes : Les extrêmes de la taxonomie (Niveau 0 et Niveau 3) sont récupérés proprement avec des rappels respectifs de 66 % et 64 %.
Importance des caractéristiques :
- Espace (Directivité) : Le meilleur discriminateur dans la classification binaire. Le mouvement quotidien se caractérise par une haute directivité (mouvement fonctionnel), tandis que le mouvement suggestif présente une faible directivité (chemins indirects et recirculants qui « exposent » plutôt que « naviguent »).
- Flux, Temps, Poids : Ces facteurs portent également des signaux discriminants à travers différentes granularités de classification, validant l'utilité des quatre piliers d'Effort de Laban.

Contributions

Nouvelle application de l'AMA : La première application des descripteurs d'Analyse du Mouvement Laban (AMA), précédemment validés pour la reconnaissance de styles de danse, à la tâche de classification du mouvement le long d'un gradient de suggestivité. Cela utilise WHAM pour estimer conjointement le contact avec le sol et les squelettes 3D.
Validation computationnelle de l'AMA : Preuve empirique démontrant que les quatre facteurs d'Effort de Laban (Flux, Espace, Temps, Poids) portent un signal discriminant à travers les tâches de classification binaire, à trois voies et à quatre voies.
Lignes de base invariantes à l'apparence : Établissement de bornes inférieures de performance pour la modération de contenu basée uniquement sur le mouvement, prouvant que le mouvement suggestif est détectable sans accès aux pixels, aux vêtements ou à la forme du corps.

Importance et revendications

L'article revendique que la suggestivité du mouvement est une propriété intrinsèque de la dynamique squelettique, détectable même lorsque l'apparence est complètement supprimée. L'importance réside dans l'auditabilité du système : contrairement aux modèles d'apprentissage profond en boîte noire, les caractéristiques de l'AMA ont des noms spécifiques et des significations chorégraphiques ancrées dans un siècle de théorie de la danse. Cela permet une interprétation transparente de pourquoi un mouvement est signalé (par exemple, « faible directivité » ou « flux libre »).

Les auteurs notent que, bien que la précision à quatre voies de 57,3 % établisse une ligne de base, la confusion entre le mouvement artistique et le mouvement suggestif suggère que les statistiques de résumé actuelles (moyenne/écart-type) écartent les dynamiques temporelles nécessaires. Ils proposent que les futurs modèles de séquences (par exemple, MotionBERT) combinés aux descripteurs de l'AMA pourraient améliorer la séparation tout en maintenant l'interprétabilité. Le travail conclut qu'un pipeline basé uniquement sur le mouvement est un composant viable et nécessaire pour la prochaine génération de modération de contenu dans les environnements virtuels 3D.