面向异构传感器的少样本人体运动预测
机器学习
2023-03-21 v2
摘要
人体运动预测是一项复杂任务，因为它涉及在连接传感器的图上随时间预测变量。在少样本学习情况下更是如此，我们力求基于仅少量样本对先前未见动作的运动序列进行预测。尽管如此，几乎所有少样本运动预测的相关方法都未纳入底层图，而它是经典运动预测中的常见组件。此外，最先进的少样本运动预测方法局限于具有固定输出空间的运动任务，意味着这些任务均受限于相同的传感器图。在本工作中，我们提议将近期关于具有异构属性的少样本时间序列预测的研究与图神经网络相结合，以引入首个显式纳入空间图且可泛化至带异构传感器的运动任务的少样本运动方法。在带异构传感器的运动任务实验中，我们展示了相较于最佳最先进模型 10.4% 至 39.3% 不等的性能提升。此外，我们表明在固定输出空间任务上评估时，我们的模型可与迄今最佳方法持平，同时参数量少两个数量级。
引用
@article{arxiv.2212.11771,
title = {Few-shot human motion prediction for heterogeneous sensors},
author = {Rafael Rego Drumond and Lukas Brinkmeyer and Lars Schmidt-Thieme},
journal= {arXiv preprint arXiv:2212.11771},
year = {2023}
}