用于人体动力学的卷积序列到序列模型
计算机视觉与模式识别
2018-05-03 v1
摘要
人体运动建模是计算机视觉与图形学中的经典问题。人体运动建模的挑战包括高维预测以及极其复杂的动力学。我们提出一种基于卷积神经网络（CNN）的人体运动建模新方法。CNN 的层次结构使其能有效捕捉空间与时间相关性。在我们提出的方法中，卷积长时编码器用于将整个给定运动序列编码为长时隐变量，该隐变量与解码器配合预测序列的剩余部分。解码器自身也具有编码器-解码器结构，其中短时编码器将较短序列编码为短时隐变量，空间解码器将长时与短时隐变量映射到运动预测。通过使用此类模型，我们能够捕捉人体运动的不变信息与动态信息，从而获得更精准的预测。实验表明，我们的算法在 Human3.6M 与 CMU Motion Capture 数据集上优于当前最优方法。我们的代码已在项目网站提供。
引用
@article{arxiv.1805.00655,
title = {Convolutional Sequence to Sequence Model for Human Dynamics},
author = {Chen Li and Zhen Zhang and Wee Sun Lee and Gim Hee Lee},
journal= {arXiv preprint arXiv:1805.00655},
year = {2018}
}
备注
CVPR2018