GPRAR：基于图卷积网络的人体姿态重建与动作识别用于人体轨迹预测
计算机视觉与模式识别
2021-03-29 v1
摘要
高精度预测对于自动驾驶等多种应用至关重要。现有的预测模型在真实世界场景中容易出错，因为观测（如人体姿态和位置）常常含有噪声。为解决该问题，我们提出 GPRAR，一种基于图卷积网络的人体姿态重建与动作识别方法，用于人体轨迹预测。GPRAR 的核心思想是在噪声场景下生成鲁棒特征：人体姿态与动作。为此，我们使用两个新颖子网络设计 GPRAR：PRAR（姿态重建与动作识别）和 FA（特征聚合器）。PRAR 旨在利用人体骨骼的连贯性与结构性特征，同时从人体骨骼的连贯和结构属性中重建人体姿态与动作特征。它是一个由编码器与两个解码器组成的网络，每个部分包含多层时空图卷积网络。此外，我们提出特征聚合器（FA），利用基于编码器-解码器的时序卷积神经网络，在通道维度上聚合学到的特征：人体姿态、动作、位置与相机运动，以预测未来位置。在常用数据集 JAAD [13] 和 TITAN [19] 上的大量实验表明 GPRAR 相比 SOTA 模型精度有所提升。具体而言，在 JAAD 和 TITAN 数据集的噪声观测下，GPRAR 将预测精度分别提升了高达 22% 和 50%。
引用
@article{arxiv.2103.14113,
title = {GPRAR: Graph Convolutional Network based Pose Reconstruction and Action Recognition for Human Trajectory Prediction},
author = {Manh Huynh and Gita Alaghband},
journal= {arXiv preprint arXiv:2103.14113},
year = {2021}
}
备注
8 pages