A3GC-IP：基于注意力导向邻接自适应循环图卷积的稀疏惯性测量人体姿态估计
计算机视觉与模式识别
2022-12-23 v4 机器学习
摘要
传统的人体姿态估计方法要么依赖大量惯性测量单元（IMU）而需要高度仪器化，要么依赖外部相机而限制记录空间。通过基于稀疏 IMU 数据的人体姿态估计方法可以解决这些缺陷。我们定义了注意力导向邻接自适应图卷积长短期记忆网络（A3GC-LSTM），通过将人体图结构直接纳入网络，来解决基于六个 IMU 的人体姿态估计问题。A3GC-LSTM 在单个网络操作中结合了空间和时间依赖性，比以往的方法具有更高的内存效率。通过为图卷积配备邻接自适应性，使得对任意长序列的循环图学习成为可能，这消除了深度或循环图网络中的信息丢失问题，同时也允许学习人体关节之间未知的依赖关系。为了进一步提高准确性，将空间注意力机制纳入循环 LSTM 单元中。利用我们所提出的方法，我们能够利用人体固有的图特性，从而在基于稀疏 IMU 数据的人体姿态估计中优于现有技术。
引用
@article{arxiv.2107.11214,
title = {A3GC-IP: Attention-Oriented Adjacency Adaptive Recurrent Graph Convolutions for Human Pose Estimation from Sparse Inertial Measurements},
author = {Patrik Puchert and Timo Ropinski},
journal= {arXiv preprint arXiv:2107.11214},
year = {2022}
}
备注
Preprint, in submission