Resumo Técnico: Detecção de Movimento Sugerente Invariante à Aparência via Descritores de Movimento Laban em Esqueletos SMPL

Declaração do Problema

A moderação de conteúdo em ambientes virtuais 3D (por exemplo, VRChat, Roblox) atualmente depende fortemente de análise em nível de pixel para detectar conteúdo inadequado. Essa abordagem cria uma lacuna significativa: os classificadores aprendem a identificar roupas reveladoras, exposição de pele ou formas corporais, em vez do próprio movimento. Consequentemente, os modelos multimodais mais avançados (como o Qwen3-VL) falham ao classificar movimentos sugestivos quando apresentados apenas com visualizações de esqueleto. Os autores postulam que um sistema robusto de moderação para sugestividade de movimento deve operar sobre dinâmicas de movimento independentes da aparência, abordando a lacuna onde movimentos ilícitos persistem apesar de avatares visuais "seguros".

Metodologia

O pipeline proposto é um sistema de classificação apenas de movimento que extrai descritores qualitativos de movimento a partir de trajetórias de esqueletos SMPL, descartando completamente dados de pixel.

1. Construção de Dados

Os autores construíram um conjunto de dados ordinal balanceado de quatro níveis, compreendendo 20.514 fragmentos de movimento (abrangendo mais de 17 horas de vídeo) derivados de 1.788 vídeos:

• Nível 0 (Cotidiano): Caminhada, sentar, jantar (provenientes do Kinetics-700).
• Nível 1 (Artístico): Breakdance, balé, capoeira, ginástica (provenientes do Kinetics-700).
• Nível 2 (Sugerente): Twerking, dancehall, bachata sensual, saltos, K-pop fancams (provenientes do TikTok/YouTube).
• Nível 3 (Explícito): Derivado do corpus acadêmico NPDI.

2. Extração de Esqueleto

O vídeo bruto é processado por um pipeline que descarta quadros RGB:

• Filtragem: O YOLO11x-pose filtra os quadros para reter apenas aqueles com $\ge$10 pontos-chave visíveis com confiança $\ge$0,5.
• Segmentação: Segmentos contínuos de $\ge$3 segundos são extraídos.
• Reconstrução: O WHAM (World-space Human Motion) infere posições de juntas SMPL por quadro no espaço mundial, incluindo estimativa de contato com o chão.

3. Extração de Características (Análise de Movimento Laban)

A inovação central é a operacionalização da estrutura de Esforço de Rudolf Laban em 55 descritores computáveis por quadro, agrupados em cinco categorias:

• Dispersão: Alcance dos membros e distâncias das juntas.
• Esforço: Fluxo, Espaço, Tempo e Peso.
• Cinemática por Junta: Aceleração, jerk, energia cinética, velocidade e direcionalidade para 6 juntas específicas.
• Iniciação: Identificação da junta líder.
• Trajetória: Comprimento do caminho, curvatura e deslocamento.

Essas características por quadro são agregadas em um vetor de 110 dimensões por fragmento de movimento usando a média e o desvio padrão de cada característica.

4. Classificação

O sistema emprega classificadores de regressão logística e floresta aleatória treinados sob validação cruzada de 5 dobras no conjunto de dados balanceado. A tarefa é formulada de três maneiras:

• Binária: Seguro para Trabalho (SFW) vs. Não Seguro para Trabalho (NSFW).
• Três vias: Cotidiano/Artístico vs. Sugerente vs. Explícito.
• Quatro vias: A hierarquia ordinal completa (Cotidiano, Artístico, Sugerente, Explícito).

Principais Resultados

• Precisão: O modelo de regressão logística alcançou:
  • 78,7% de precisão binária (SFW/NSFW), superando significativamente a linha de base de 50% de chance.
  • 72,1% de precisão de três vias (33% de chance).
  • 57,3% de precisão de quatro vias (25% de chance).
• Padrões de Confusão: Os erros estão concentrados entre níveis adjacentes. Especificamente, a fronteira entre Nível 1 (Artístico) e Nível 2 (Sugerente) é a mais difícil de distinguir, com 24% dos fragmentos do Nível 1 classificados erroneamente como Nível 2 e 20% do Nível 2 classificados erroneamente como Nível 1. Ambos os níveis envolvem dança contínua de alta energia, mas diferem nas qualidades de "Esforço".
• Recuperação Extrema: Os extremos da taxonomia (Nível 0 e Nível 3) são recuperados limpa com 66% e 64% de recall, respectivamente.
• Importância das Características:
  • Espaço (Direcionalidade): O principal discriminador na classificação binária. O movimento cotidiano é caracterizado por alta direcionalidade (movimento funcional), enquanto o movimento sugestivo exibe baixa direcionalidade (caminhos indiretos e recirculantes que "exibem" em vez de "navegar").
  • Fluxo, Tempo, Peso: Esses fatores também carregam sinais discriminativos em diferentes granularidades de classificação, validando a utilidade dos quatro pilares de Esforço de Laban.

Contribuições

1. Aplicação Novel de LMA: A primeira aplicação de descritores de Análise de Movimento Laban (LMA), anteriormente validados para reconhecimento de estilo de dança, à tarefa de classificar movimento ao longo de um gradiente de sugestividade. Isso utiliza o WHAM para estimar conjuntamente o contato com o chão e esqueletos 3D.
2. Validação Computacional de LMA: Evidência empírica demonstrando que todos os quatro fatores de Esforço de Laban (Fluxo, Espaço, Tempo, Peso) carregam sinais discriminativos em tarefas de classificação binária, de três vias e de quatro vias.
3. Linhas de Base Invariantes à Aparência: Estabelecimento de limites inferiores de desempenho para moderação de conteúdo baseada apenas em movimento, provando que o movimento sugestivo é detectável sem acesso a pixels, roupas ou forma corporal.

Significado e Alegações

O artigo alega que a sugestividade do movimento é uma propriedade intrínseca das dinâmicas esqueléticas, detectável mesmo quando a aparência é completamente removida. O significado reside na auditorabilidade do sistema: ao contrário de modelos de aprendizado profundo de caixa preta, as características de LMA têm nomes específicos e significados coreográficos enraizados em um século de teoria de dança. Isso permite uma interpretação transparente do porquê um movimento é sinalizado (por exemplo, "baixa direcionalidade" ou "fluxo livre").

Os autores observam que, embora a precisão de 57,3% de quatro vias estabeleça uma linha de base, a confusão entre movimento artístico e sugestivo sugere que as estatísticas de resumo atuais (média/desvio padrão) descartam dinâmicas temporais necessárias. Eles propõem que modelos de sequência futuros (por exemplo, MotionBERT) combinados com descritores de LMA poderiam melhorar a separação enquanto mantêm a interpretabilidade. O trabalho conclui que um pipeline apenas de movimento é um componente viável e necessário para a moderação de conteúdo de próxima geração em ambientes virtuais 3D.