卷积序列到序列模型用于人类行为动态
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
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
L2STM 是一种通过学习独立的隐藏状态转移来增强模型的时间动力学建模能力以及解决长期时间动态不稳定的问题的方法,结合多模态训练程序,在人类动作识别方面表现优于现有的基于 LSTM 和 / 或 CNN 的方法。
Aug, 2017
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
本文提出了一种卷积神经网络(CNN)人类轨迹预测方法,相比于当前的方法更加快速但仍保持具有竞争力的结果,这对于共享人类环境的自主机器人与人类之间的精确和高效互动至关重要。
Sep, 2018
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
通过提出一种综合人体动作预测任务的方法,使用图卷积网络 (GCN) 来生成合成动作并减少对复杂模型的需求,实现了高准确性的人体动作预测,同时减少计算成本。
Nov, 2023
本文提出了一种基于多图卷积网络 (MGCN) 的三维人体姿势预测方法,该方法结合自然结构和序列注意力,同时捕获空间和时间信息,并在人体运动预测的基准数据集上表现出比现有方法更好的效果。
Apr, 2023
现有的图卷积网络在实现人体动作预测时,大多采用一步方案,直接从历史输入中输出预测结果,未能充分利用人体运动模式。我们观察到人体运动具有过渡模式,并且可以分解为代表每个过渡的片段。我们提出了一种片段到运动的多阶段框架,将运动预测分解为更容易完成的子任务。每个子任务集成了三个模块:过渡姿势预测、片段重建和片段到运动的预测。具体而言,我们首先预测只有过渡姿势,然后使用它们重建相应的片段,得到接近真实运动序列的近似结果。最后,我们对其进行细化,生成最终的预测输出。为了实现网络,我们提出了一种新颖的统一图建模方法,相比于现有方法依赖于分离的时空建模,可以直接有效地传播特征。对 Human 3.6M、CMU Mocap 和 3DPW 数据集进行了大量实验证明了我们的方法的有效性,其达到了最先进的性能。
Jul, 2023
提出了一种利用深度神经网络预测自然视频序列未来帧的方法,通过运动和内容分解进行像素级预测,该模型基于编码器 - 解码器卷积神经网络和卷积 LSTM,同时独立捕捉图像的空间布局和相应的时间动态,并在多个时间步长上进行端到端训练。
Jun, 2017