基于深度马尔可夫模型的人体姿态预测
本文提出了一种用 probabilistic approach 来预测 characteristic poses 的方法,解决了原有 human motion prediction 只能按时间预测的问题,同时构建了一个手动注释的数据集来评估模型,结果表明此方法的平均表现优于现有方法 26%。
Nov, 2020
研究使用单个 RGB 图像预测人体动态,提出了 3D Pose Forecasting Network (3D-PFNet),结合 2D 预测和 3D 空间,在多样化的数据源下进行了三步训练,展示了在 2D 姿势预测和 3D 姿势恢复上有竞争力的性能结果。
Apr, 2017
本文提出了一种新的不考虑活动标签的短期和长期人体姿势预测方法,使用一种新的循环神经网络模型 —— 三角棱镜循环神经网络,该模型通过编码不同时间尺度的时间依赖性来捕获潜在的分层结构,经在 Human 3.6M 和 Penn Action 数据集上进行了广泛的实验,证明了本方法在数量和质量上均优于基线和最先进的方法。
Oct, 2018
该论文提出了一种基于高层抽象建模视频预测问题的方法,利用人体姿态探测器作为监督信号,将视频预测问题分解为两个离散步骤,明确建模场景中的高层次结构,使用变分自编码器 (VAE) 建模场景中活动对象的潜在未来运动,并将生成的未来姿势作为条件输入给生成对抗网络 (GAN) 预测未来视频帧,该方法通过呈现的定量和定性评估表明,其优于时下流行的视频预测方法。
Apr, 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
本文提出了一种新的框架来处理机器人导航中预测人类动态的问题,该框架将人类运动(或轨迹)和骨骼姿态预测这两个任务统一起来,并考虑到了场景和社交上下文等多种因素,最终在两个社交数据集上表现优异。
Jul, 2020
本文提出了一个针对人类姿态预测的开源库,其中包含多种模型、数据集和标准化的评估指标,旨在促进研究,并向统一和公平的评估发展。该研究通过提出建模其他模型的不确定性,并引入一个新的方法来量化任何模型的认知不确定性,证明其在准确性方面有高达 25% 的改进,并在不确定性估计方面表现更好。
Apr, 2023
该论文综述了基于深度学习的姿势分析应用,包括姿势估计、姿势跟踪和动作识别,并讨论了现有技术的优势和局限性,重点介绍了将这三个任务整合到视频序列的统一框架中的方法,并探讨了相关挑战和未来研究方向。
Oct, 2023