生成模型增强的人体运动预测
计算机视觉与模式识别
2020-11-26 v3
摘要
预测人体运动的任务因动作固有的异质性与组合性而复杂，需要对分布偏移乃至分布外（OoD）情况具备鲁棒性。本文基于 Human3.6M 与 CMU 动作捕捉数据集构建了一个新的 OoD 基准，并引入一种混合框架，通过用生成模型增强判别架构以使其抵御 OoD 失效。当应用于当前最先进的判别模型时，我们表明所提方法在不牺牲分布内性能的前提下提升了 OoD 鲁棒性，且理论上有助于模型可解释性。我们建议人体运动预测器的构建应考量 OoD 挑战，并提供了一个可扩展的通用框架，使多样化判别架构能够抵御极端分布偏移。代码见 https://github.com/bouracha/OoDMotion。
引用
@article{arxiv.2010.11699,
title = {Generative Model-Enhanced Human Motion Prediction},
author = {Anthony Bourached and Ryan-Rhys Griffiths and Robert Gray and Ashwani Jha and Parashkev Nachev},
journal= {arXiv preprint arXiv:2010.11699},
year = {2020}
}
备注
8 pages + 5 pages supplementary materials, under review at ICLR