深度表示学习用于人类动作预测和分类
本研究提出了一种基于深度神经网络的姿态识别系统,使用相对关节位置、时间差和规范化运动轨迹等简单但有效的特征对骨架数据进行特征提取,并采用深度自编码器对特征进行可视化,测试结果表明,该深度神经网络能够捕获到比主成分分析更具有区分性的信息,同时在 65 类、超过 2000 个动作序列的公共数据库上取得了 95% 以上的准确率,是目前这类大型数据集的最佳表现。
Jun, 2013
本文提出了一种基于前馈深度网络的预测人体运动的方法,通过在运动轨迹空间而非传统的姿态空间中编码时间信息,同时使用通用的图卷积网络自动学习人体姿势的空间依赖关系,从而实现了超越以往人体运动预测方法的性能。
Aug, 2019
本文提出了一种基于局部身体结构表征的人体运动长期和短期预测方法 (SkelNet 和 Skel-TNet),实验证明这两种方法对于多种人体运动任务(Human3.6M 数据集和 CMU 运动捕捉数据集)有相当好的预测效果。
Feb, 2019
本文提出了一种新的方法,使用骨架序列(即人类骨架关节的 3D 轨迹)进行三维动作识别,并使用深度神经网络进行空间时间特征学习和长期时间信息学习。实验结果表明该方法具有很好的识别效果。
Mar, 2017
本文提出了一种基于深度学习回归体系结构的 3D 人体姿势结构预测方法,该方法借助于过度完备的自动编码器并考虑关节从属关系,优于现有技术,包括结构保留和预测准确性两方面。
May, 2016
本研究提出了一种基于深度学习的数据驱动建模方法,利用自然运动流形来处理人类运动中存在的多模态时空相关性及骨骼信息提取问题,并在多个应用场景中获得了优异的结果。
Aug, 2019
本文综述了基于骨架的人类角色动画中利用深度学习和深度强化学习的最新方法,分别涵盖运动数据表示、最常见的人体运动数据集以及在人类动画流水线中运用到的运动合成、角色控制和运动编辑等方面。同时,我们也探讨了当前基于深度学习和深度强化学习的状态 - of-the-art 方法的局限性以及未来研究的可能方向。
Oct, 2021
本文旨在研究人体运动建模领域的前沿研究,特别关注基于深度递归神经网络的研究成果,对当前问题的评价方法进行了调查,在研究现有的体系结构、代价函数和训练程序时,提出了三点标准改进措施,取得了最新技术的突破性进展。
May, 2017
该研究提出了一种使用深度循环神经网络和序列到序列学习学习人体全身运动和自然语言之间双向映射的生成模型,该模型不需要分割或手动特征工程,并学习分布式表示,其结构可以生成逼真的动作或描述.
May, 2017
我们提出了一种人体姿态模型,可表示与服装纹理、背景、光线条件、身体形状和摄像机视点无关的 RGB 和深度图像。通过开发一个综合训练数据的框架,我们学习了 CNN 模型并使用它们从真正的 RGB 和深度帧的人体动作视频中提取不变特征。在三个基准跨视图人体动作数据集的实验中,我们的算法在 RGB 和 RGB-D 动作识别方面明显优于现有方法。
Jul, 2017