Mar, 2020

基于 3D 骨骼的人体运动预测的动态多尺度图神经网络

PDF
TL;DR该研究提出了一种新颖的动态多尺度图神经网络（DMGNN），以预测基于 3D 骨架的人体动作，整个模型采用编码器 - 解码器框架，并使用多尺度图计算单元（MGCU）提取不同尺度的特征并融合。实验证明，在 Human 3.6M 和 CMU MOCAP 数据集上，DMGNN 在短期和长期预测方面都优于现有的方法。
dynamic multiscale graph neural networks3d skeleton-based human motionsmultiscale graphmotion feature learningencoder-decoder framework
发现论文，激发创造
  • 基于骨架的人体运动预测的动态稠密图卷积网络

    本文提出了一种动态密集图卷积网络（DD-GCN），它通过构建密集图和实现集成的动态信息传递来解决了骨骼序列构建图以及在图上进行信息传递的问题，在基准数据集上取得了明显的优越性能。

    Nov, 2023

  • MSR-GCN：多尺度残差图卷积网络用于人类运动预测

    本文提出一种新的多尺度残差图卷积网络（MSR-GCN），以端到端的方式进行人体姿态预测，该方法在细到粗的尺度上提取特征，然后在粗到细的尺度上进行特征的组合和解码，通过在所有预测姿势上施加中间监督来强制网络学习更具代表性的特征，实验证明该方法优于现有的最优方法。

    Aug, 2021

  • 基于共生的图神经网络用于 3D 骨架人类动作识别和运动预测

    该论文提出了一种共生图神经网络模型来解决三维骨架动作识别和运动预测两个问题，并采用双骨图和多尺度图卷积网络提取空间和时间特征以及捕捉身体结构之间的关系，实验结果表明，该模型的表现优于现有方法。

    Oct, 2019

  • 多图卷积网络用于姿态预测

    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

  • 高效组合人体运动预测的动态组合图卷积网络

    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

  • SM-SGE：自监督的多尺度骨架图编码框架用于人员再识别

    本研究提出了一种自监督的多尺度骨架图编码框架，通过学习不同尺度的未标记骨架图来建模人体构造、骨架动态和部件关系以实现人体再识别，实验证明其性能优于现有骨架方法。

    Jul, 2021

  • 逐步生成更好的初始猜测以实现高质量的人体运动预测

    介绍了一种基于多级设计的人体运动预测方法，结合了空间和时间两个因素，通过两个网络，以预测一个好的猜测值为基础，有效提高了预测的精度。该方法在多项实验数据中胜出并实现了超过前人方法 6-16% 的提升。

    Mar, 2022

  • 基于骨架的多粒度时空图神经网络学习用于动作识别

    本文提出了一种新的基于骨架的动作分类方法，使用多层次空间时间图网络联合建模粗粒度和细粒度骨架运动模式，并采用双头图网络和跨头部通信策略来提取两个时空分辨率的特征，实验证明该方法在三个大规模数据集上取得了最先进的性能。

    Aug, 2021

  • Skeleton-Graph: 使用深度时空图卷积神经网络从 2D 观测中进行长期 3D 运动预测

    本篇论文提出了 Skeleton-Graph 模型，采用深度时空图卷积神经网络来预测 2D 姿态下未来的 3D 骨架姿态，通过图形式地建立骨骼关节之间的空间关系以解决长期姿态预测过程中的分歧问题，并引入了新的评估指标来衡量长期预测分歧程度，实验证明 Skeleton-Graph 模型在 GTA-IM 和 PROX 数据集上均比之前的模型取得了更好的预测效果。

    Sep, 2021

  • GraphMLP：用于 3D 人体姿态估计的类图像多层感知机结构

    提出了一种简单有效的图强化 MLP-Like 架构，名为 GraphMLP，它将 MLP 和图卷积网络（GCN）结合在一起，用于 3D 人体姿态估计，并将人体的图结构融入到 MLP 模型中，允许局部和全局空间相互作用，实现了对视频和单帧中 3D 人体姿态估计的最新性能。

    Jun, 2022