一种用于人体运动预测的神经时序模型
计算机视觉与模式识别
2019-11-25 v5
摘要
我们提出了新颖的神经时序模型，用于预测和合成人体运动，在建模长期运动轨迹方面达到了最先进水平，同时在短期预测上与先前工作具有竞争力，且所需计算量显著更少。我们所提出系统的关键方面包括：1）一种新颖的两级处理架构，有助于生成规划轨迹；2）一组简单且易于计算的特征，集成了导数信息；3）一种新颖的多目标损失函数，帮助模型从简单的单步预测逐步过渡到更困难的多步闭环预测任务。我们的结果表明，这些创新改进了长期运动轨迹的建模。最后，我们提出了一种称为归一化功率谱相似度（NPSS）的新指标，用于评估运动合成模型的长期预测能力，作为随时间欧拉关节角均方误差（MSE）度量的补充。我们开展了一项用户研究，以确定所提出的 NPSS 是否比 MSE 更强烈地与人对于长期运动的评估相关，并发现确实如此。我们在 https://github.com/cr7anand/neural_temporal_models 发布了本文的代码与额外结果（可视化）。
引用
@article{arxiv.1809.03036,
title = {A Neural Temporal Model for Human Motion Prediction},
author = {Anand Gopalakrishnan and Ankur Mali and Dan Kifer and C. Lee Giles and Alexander G. Ororbia},
journal= {arXiv preprint arXiv:1809.03036},
year = {2019}
}
备注
accepted to cvpr 2019