动作无关的人体姿态预测
计算机视觉与模式识别
2018-10-24 v1
摘要
预测与预报人体动态是一项非常有趣但具挑战性的任务，在机器人、医疗等诸多领域有潜在应用。近来已开发若干人体姿态预测方法，但它们在设定中常引入一些局限。例如，先前工作要么仅关注短期或长期预测，而牺牲另一方；此外，它们将活动标签作为训练过程的一部分，并在测试时需要这些标签。这些限制束缚了姿态预测模型在真实世界应用中的使用，因为测试场景常缺乏活动相关标注。本文提出一种用于短期与长期人体姿态预测的新动作无关方法。为此，我们提出一种用于建模人体动态层次化与多尺度特性的新型循环神经网络，称为三角棱柱 RNN (TP-RNN)。我们的模型通过以不同时间尺度编码时间依赖关系，捕获嵌入于时序人体姿态序列中的潜在层次结构。为评估，我们在 Human 3.6M 与 Penn Action 数据集上进行了广泛实验，并显示我们的方法在定量与定性上均优于基线及最先进 (SOTA) 方法。代码见 https://github.com/eddyhkchiu/pose_forecast_wacv/
引用
@article{arxiv.1810.09676,
title = {Action-Agnostic Human Pose Forecasting},
author = {Hsu-kuang Chiu and Ehsan Adeli and Borui Wang and De-An Huang and Juan Carlos Niebles},
journal= {arXiv preprint arXiv:1810.09676},
year = {2018}
}
备注
Accepted for publication in WACV 2019