基于膨胀时序全卷积网络的运动捕捉数据细粒度语义分割
计算机视觉与模式识别
2019-03-05 v1 图形学
机器学习
摘要
人体运动捕捉数据已广泛应用于数据驱动的角色动画。为生成逼真、自然的动作，大多数数据驱动方法需要大量的预处理工作，包括运动分割与标注。现有的（半）自动方案要么需要手工设计的特征来进行运动分割，要么无法产生运动合成和构建大规模运动数据库所需的语义标注。此外，人工标注数据在设计上就存在标注者之间与标注者内部的非一致性。我们提出了一种基于监督机器学习技术的运动捕捉数据语义分割半自动框架。它首先将运动捕捉序列转换为“运动图像”，然后应用卷积神经网络进行图像分割。膨胀时序卷积能够从大的感受野中提取时序信息。我们的模型优于两个最先进的动作分割模型，以及一个流行的序列建模网络。最重要的是，我们的方法在含噪声和不准确训练标签下非常鲁棒，因而能够处理标注过程中的人为错误。
引用
@article{arxiv.1903.00695,
title = {Fine-Grained Semantic Segmentation of Motion Capture Data using Dilated Temporal Fully-Convolutional Networks},
author = {Noshaba Cheema and Somayeh Hosseini and Janis Sprenger and Erik Herrmann and Han Du and Klaus Fischer and Philipp Slusallek},
journal= {arXiv preprint arXiv:1903.00695},
year = {2019}
}
备注
Eurographics 2019 - Short Papers