面向基于骨架的人体运动预测的动力学密图卷积网络
计算机视觉与模式识别
2023-12-05 v1
摘要
图卷积网络（GCN）通常遵循神经消息传递框架来建模骨骼关节间的依赖关系，在基于骨架的人体运动预测任务中取得了高度成功。然而，如何从骨架序列构建图以及如何在图上进行消息传递仍是开放性问题，严重影响了GCN的性能。为解决这两个问题，本文提出一种动态密图卷积网络（DD-GCN），其构建密图并实现一体化的动态消息传递。具体而言，我们通过4D邻接建模构建密图，作为不同抽象层次上运动序列的综合表示。基于该密图，我们提出一种动态消息传递框架，从数据中动态学习以生成反映图中节点间样本特定相关性的独特消息。在基准Human 3.6M与CMU Mocap数据集上的大量实验验证了我们的DD-GCN的有效性，其明显优于最先进的基于GCN的方法，尤其是在使用长期及我们提出的极长期协议时。
引用
@article{arxiv.2311.17408,
title = {Dynamic Dense Graph Convolutional Network for Skeleton-based Human Motion Prediction},
author = {Xinshun Wang and Wanying Zhang and Can Wang and Yuan Gao and Mengyuan Liu},
journal= {arXiv preprint arXiv:2311.17408},
year = {2023}
}