DMS-GCN：用于人体运动预测的动态多尺度时空图卷积网络
计算机视觉与模式识别
2021-12-21 v1
摘要
人体运动预测是许多计算机视觉应用领域中一个重要且具有挑战性的任务。近期工作集中于利用循环神经网络（RNNs）的时序处理能力，在短期预测中取得平滑可靠的结果。然而，如先前工作所表明，RNNs 存在误差累积问题，导致结果不可靠。本文中，我们提出了一种用于运动预测的简单前馈深度神经网络，其考虑了人体关节间的时序平滑性与空间依赖性。我们设计了多尺度时空图卷积网络（GCNs）以隐式建立人体运动过程中的时空依赖，其中不同尺度在训练期间动态融合。整个模型适用于所有动作并遵循编码器-解码器框架。编码器由时序 GCNs 组成以捕获帧间运动特征，以及半自动学习的空间 GCNs 以提取关节轨迹间的空间结构。解码器使用时序卷积网络（TCNs）以保持其泛化能力。大量实验表明，我们的方法在 Human3.6M 和 CMU Mocap 数据集上优于 SOTA 方法，同时仅需少得多的参数。代码将发布于 https://github.com/yzg9353/DMSGCN。
引用
@article{arxiv.2112.10365,
title = {DMS-GCN: Dynamic Mutiscale Spatiotemporal Graph Convolutional Networks for Human Motion Prediction},
author = {Zigeng Yan and Di-Hua Zhai and Yuanqing Xia},
journal= {arXiv preprint arXiv:2112.10365},
year = {2021}
}