基于循环神经网络的人体动作预测

CVPRMay, 2017

基于循环神经网络的人体动作预测

On human motion prediction using recurrent neural networks

Julieta Martinez, Michael J. Black, Javier Romero

TL;DR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。

Abstract

human motion modelling is a classical problem at the intersection of graphics and computer vision, with applications spanning human-computer interaction, motion synthesis, and motion prediction for virtual and augmented reality. Following the success of deep learning methods in several

human motion modelling deep recurrent neural networks evaluation methodologies state-of-the-art performance rnn architecture

发现论文，激发创造

上下文感知的人体动作预测

本文利用语义图模型和图注意力层来建立上下文感知体系结构，旨在正确建模人类行为中的对象和人际互动以提高人类运动的预测准确性。通过在全身人类动作数据库上进行的彻底评估，论文显示出模式的优越性。

Apr, 2019

学习运动轨迹依赖关系进行人体动作预测

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

通过建模运动环境和增强运动动态来进行长期人体运动预测

本文提出了一种运动背景下的人类运动预测方法，通过摘要历史人类运动来生成当前预测，同时引入修改过的高速公路单元并最小化克矩阵损失来增强运动动态，能够有效地预测未来的人类动作并提高模型性能，同时能够进行运动背景下的人类运动转化。

May, 2018

历史重演：基于动作注意力的人体动作预测

通过引入基于注意力机制的前馈神经网络模型，提取了历史运动细节的相似性，建模了运动模式，并在人类行为数据集上实现了最先进的人体运动预测效果。

Jul, 2020

使用深度循环神经网络学习人体全身运动与自然语言之间的双向映射

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

卷积序列到序列模型用于人类行为动态

基于卷积神经网络和编码器 - 解码器结构，提出了一种新颖的人体运动建模方法，并在 Human3.6M 和 CMU Motion Capture 数据集上取得了更准确的预测结果。

May, 2018

物理学和神经网络的有益结合：可靠高效的人体运动预测生成

使用特殊的神经网络，将 Social Force Model 嵌入结构，提高人类运动的预测精度和安全性，解释可行，且具有广阔的应用前景和实验支撑。

Jun, 2020

利用循环神经网络和对抗训练进行人体动作合成与控制

本研究提出了一种新的生成式深度学习网络，用于人体动作的合成和控制，通过结合循环神经网络（RNN）和对抗训练来进行优化。研究表明，该模型可以高效地生成自然流畅的动作序列，并通过各种比较与实验，证明其卓越性能和有效性。

Jun, 2018

回到 MLP：人体动作预测的简单基线

本研究提出了一种轻量级的人体运动预测网络 “siMLPe”，结合了多层感知器、离散余弦变换、关节残差位移预测和速度辅助损失优化等简单方法，且具有仅有 0.14 万个参数和超过三个基准数据集的卓越表现，成为该领域的强基准。

Jul, 2022

深度表示学习用于人类动作预测和分类

本研究提出一个基于深度学习的人体动作捕捉数据的通用模型，学习自大量的捕捉数据中，并成功应用于人体动作特征提取、分类和预测，优于现有最新技术，具有普遍性。

Feb, 2017