回归 MLP：一种用于人体运动预测的简朴基线
计算机视觉与模式识别
2022-10-07 v3 人工智能
摘要
本文解决人体运动预测问题，即根据历史观测序列预测未来的身体姿态。最先进的方法提供了良好的结果，但它们依赖于任意复杂度的深度学习架构，如循环神经网络（RNN）、Transformer 或图卷积网络（GCN），通常需要多个训练阶段以及超过 200 万参数。在本文中，我们展示在结合一系列标准做法（如应用离散余弦变换（DCT）、预测关节的残差位移以及优化速度作为辅助损失）后，一个仅含 14 万参数、基于多层感知机（MLP）的轻量网络能够超越最先进的性能。在 Human3.6M、AMASS 和 3DPW 数据集上的详尽评估表明，我们命名为 siMLPe 的方法始终优于所有其他方法。我们希望这个简单的方法能作为社区的一个强基线，并引发对人体运动预测问题的重新思考。代码已公开于 \url{https://github.com/dulucas/siMLPe}。
引用
@article{arxiv.2207.01567,
title = {Back to MLP: A Simple Baseline for Human Motion Prediction},
author = {Wen Guo and Yuming Du and Xi Shen and Vincent Lepetit and Xavier Alameda-Pineda and Francesc Moreno-Noguer},
journal= {arXiv preprint arXiv:2207.01567},
year = {2022}
}
备注
Accepted to WACV 2023; Code available at https://github.com/dulucas/siMLPe