IJCAIMay, 2018

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

PDF
TL;DR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。
human motion predictionrecurrent neural networkmotion context modelingmodified highway unitlong-term motion prediction
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

  • 基于场景上下文的人类长期动作预测

    本文通过提出新的三阶段框架来对人类运动进行长期预测，在考虑环境场景的情况下大大提高了预测准确性，并提供了具有清晰注释的多样化合成数据集来实现稳定的训练和严格的评估。

    Jul, 2020

  • 基于循环神经网络的人体动作预测

    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

  • 社交和情境感知的人体运动和姿势预测

    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

  • 视频预测：通过记忆对齐学习长期运动上下文

    该研究提出了一种基于长期记忆机制的运动上下文感知视频预测方法，通过引入长期运动上下文记忆（LMC-Memory）和记忆对查询分解，解决了在低维动态输入情况下预测高维、复杂运动上下文的难题。实验证明，该方法在长期情况下优于其他 RNN-based 方法。

    Apr, 2021

  • 一个神经时序模型用于人体动作预测

    提出了一种新的神经时间模型来预测和合成人类动作，并且在长期运动轨迹的建模方面达到了最先进水平，同时在短期预测方面具有竞争力并且需要更少的计算量，通过一种新颖的指标（NPSS）评估长期预测能力，配合用户研究，成功提高了模型的预测准确度。

    Sep, 2018

  • 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

  • 上下文感知轨迹预测

    本研究提出了一种基于上下文感知的循环神经网络 LSTM 模型，用于人类在拥挤空间中运动和行为的预测。实验结果表明，该方法相对于之前的最新预测模型能够更好的预测人类的轨迹。

    May, 2017

  • 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

  • 用于人体动作预测的多任务非自回归模型

    本文提出了一种新的非自回归模型，该模型采用完全非自回归的解码方案、上下文编码器和位置编码模块来预测人体骨架的运动轨迹，并采用多任务训练范式来提高预测性能。该方法在 Human3.6M 和 CMU-Mocap 数据集上的表现优于现有的自回归方法。

    Jul, 2020