ICCVAug, 2021

MSR-GCN：多尺度残差图卷积网络用于人类运动预测

PDF
TL;DR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。
human motion predictiongraph convolutional networkmulti-scale residual networkend-to-end mannerpose joints
发现论文，激发创造
  • 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

  • 图卷积序列块的多尺度残差学习用于人体动作预测

    提出了一种基于学习时空依赖关系的人体动作预测新方法，通过探索动态相关的身体组件之间的配对关系，以强制实施连续序列之间的时间连通性，从而有效地模拟运动序列信息，超越其他技术并树立新的技术标准。

    Aug, 2023

  • 基于 3D 骨骼的人体运动预测的动态多尺度图神经网络

    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。

    Mar, 2020

  • 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

  • 时空可分离图卷积网络用于姿态预测

    研究提出了一种基于图卷积网络的新颖的空时可分图卷积网络 (STS-GCN)，它可以在一个单一的图框架内，完全捕捉动态演化和空间关节交互，并使用内部学习的空间和时间的关联矩阵，优于当前技术，在长期预测方面取得了超过 32% 的平均性能提升，在三种大型数据集上进行了实验验证，并且只需要 1.7％的参数。

    Oct, 2021

  • 基于多尺度空间时间图卷积网络的基于骨架的动作识别

    本研究提出了一种多尺度空间图卷积和多尺度时间图卷积模型，通过分解相应的局部图卷积为一系列子图卷积，形成一个分层残差体系结构，使图卷积神经网络能够捕获空间和时间域中的短程和长程依赖关系，从而实现骨骼动作识别，该模型在三个基准数据集上表现出了显著的性能。

    Jun, 2022

  • 用于 3D 人体姿势回归的语义图卷积网络

    本文提出了一种新的神经网络结构 Semantic Graph Convolutional Networks（SemGCN），它能够学习在回归任务中捕捉图形结构数据中的语义信息，特别是局部和全局节点之间的关系，并将其应用于 3D 人体姿势回归，结果表明 SemGCN 仅使用 90％的参数就优于现有技术水平。

    Apr, 2019

  • 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

  • 基于上下文的可解释的时空图卷积网络用于人体动作预测

    人体动作预测是自动驾驶和安全应用中仍然存在的重要问题，本文提出了基于上下文的可解释时空图卷积网络 (CIST-GCN) 作为一种有效的基于 GCNs 的三维人体姿势预测模型，通过特定层来增强模型的可解释性和提供有用的运动分布和身体行为信息，通过从姿势序列中提取有意义的信息、汇总位移和加速度到输入模型，并最终预测输出位移。在 Human 3.6M、AMASS、3DPW 和 ExPI 数据集上的广泛实验表明，CIST-GCN 在人体动作预测和鲁棒性方面优于以前的方法。鉴于提高运动预测的可解释性的想法具有一定的优势，我们在这里展示了相关实验证明了该想法，并进行了初步的评估。

    Feb, 2024

  • 基于迭代图滤波网络的三维人体姿态估计

    本文介绍了一种基于迭代图滤波的框架，用于 3D 人体姿势估计，并通过高斯 - 塞德尔迭代法设计了 Gauss-Seidel 网络架构，利用邻接修正和跳跃连接等方法改善模型性能。实验结果表明，该方法在两个标准数据集上都超过了其他基准方法，达到了最先进性能。

    Jul, 2023