高效组合人体运动预测的动态组合图卷积网络
本文介绍了一种名为 Universal Graph Convolution (UniGC) 的新型图卷积概念,该概念重新构建了不同图卷积,并提出了一种动态确定最适合的图卷积的 GCNext 建模范例,通过独特的模块 - 网络设计,GCNext 在计算成本上具有高达 9 倍的降低,并实现了最先进的性能,主要应用于人体动作预测。
Dec, 2023
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
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
提出了一种名为 Spatio-Temporal Gating-Adjacency GCN (GAGCN) 的运动预测模型,采用门控网络增强了 GCN 对于多种动作类型的推广能力,并通过平衡空间和时间的交叉依赖关系,融合了模型的特征,实现了对于人体运动预测的短期和长期性能的最先进水平。
Mar, 2022
构建了指向性扩散图进行动作建模,引入了活动分割策略以优化图卷积核的权重共享机制,提出了时空同步编码器用于嵌入同步时空语义,并通过在三个公共数据集上的实验验证了我们方法的最先进性能。
Aug, 2023
本文提出了一种基于部件图卷积网络的人体动作识别模型,该模型将骨骼图分为四个子图,并使用相对坐标和时间位移代替 3D 关节点特征,相对于使用整个骨骼图的模型,能够提高识别性能,实现了对挑战性基准数据集 NTURGB+D 和 HDM05 的骨骼动作识别的最先进水平。
Sep, 2018
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
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
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
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