用于人体运动预测与分类的深度表示学习
计算机视觉与模式识别
2017-04-14 v2
摘要
3D 人体运动的生成模型通常局限于少数活动，因此无法很好地泛化到新的运动或应用中。在这项工作中，我们提出了一个用于人体运动捕捉数据的深度学习框架，该框架从大量运动捕捉数据中学习通用表示，并能很好地泛化到新的、未见过的运动。使用一个学习从最近的过去预测未来 3D 姿势的编码-解码网络，我们提取了人体运动的特征表示。大多数关于序列预测的深度学习工作都集中在视频和语音上。由于骨骼数据具有不同的结构，我们提出并评估了不同的网络架构，这些架构对时间依赖性和肢体相关性做出了不同的假设。为了量化学习到的特征，我们使用不同层的输出进行动作分类，并可视化网络单元的感受野。我们的方法在骨骼运动预测方面优于近期最先进的方法，即使这些方法使用了特定于动作的训练数据。我们的结果表明，从通用 mocap 数据库训练的深度前馈网络可以成功地用于从人体运动数据中提取特征，并且该表示可以作为分类和预测的基础。
引用
@article{arxiv.1702.07486,
title = {Deep representation learning for human motion prediction and classification},
author = {Judith Bütepage and Michael Black and Danica Kragic and Hedvig Kjellström},
journal= {arXiv preprint arXiv:1702.07486},
year = {2017}
}
备注
This paper is published at the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017