通过多范围解耦解码与门控调整聚合提升人类运动预测
计算机视觉与模式识别
2025-04-01 v1
摘要
对姿态序列的表达力度对于人类运动预测(HMP)中的精确运动建模至关重要。虽然最近的深度学习方法在学习运动表示方面取得了进展，但这些方法倾向于忽视历史信息与未来时刻之间 relevance 和依赖性——短期预测更相关，远期预测更弱。这限制了运动表示的学习，从而影响预测性能。本文提出一种新方法，称为多范围解耦解码与门控调整聚合()，利用时序相关性来细化运动表示学习。该方法采用两阶段策略进行HMP。在第一阶段，多范围解耦解码巧妙地通过将共享特征解码为不同未来长度来调整特征学习，不同的解码器提供对运动模式的多样化见解。在第二阶段，门控调整聚合根据输入运动数据动态组合这些多样化见解。大量实验表明，所提方法可以轻松集成到其他运动预测方法中，并提升其预测性能。
引用
@article{arxiv.2503.23381,
title = {Enhancing Human Motion Prediction via Multi-range Decoupling Decoding with Gating-adjusting Aggregation},
author = {Jiexin Wang and Wenwen Qiang and Zhao Yang and Bing Su},
journal= {arXiv preprint arXiv:2503.23381},
year = {2025}
}