HP-GAN：基于 GAN 的概率性三维人体运动预测
计算机视觉与模式识别
2017-11-28 v1 人工智能
人机交互
神经与进化计算
摘要
预测和理解人体运动动力学有许多应用，如运动合成、增强现实、安全与自动驾驶车辆。由于生成对抗网络（GAN）近期的成功，利用深度神经网络架构与学习算法进行概率估计与合成数据生成引起了广泛关注。我们提出一种用于概率性人体运动预测的序列到序列新模型，以改进版 Wasserstein 生成对抗网络（WGAN-GP）训练，其中我们使用了专为人运动预测设计的自定义损失函数。我们称之为 HP-GAN 的该模型，学习以先前姿态为条件的未来人体姿态概率密度函数。它预测多组可能的未来人体姿态序列，每组来自同一输入序列但抽取自随机分布的不同向量 z。此外，为量化非确定性预测的质量，我们同时训练了一个运动质量评估模型，学习给定骨架序列为真实人体运动的概率。我们在两个最大的骨架数据集 NTURGB-D 与 Human3.6M 上测试算法，并在单一与多种动作类型上训练模型。其长期运动估计的预测能力体现为仅从 10 帧输入生成超过 30 帧的多个合理未来。我们显示，同一输入生成的大多数序列有超过 50% 的概率被判定为真实人体序列。我们将发布本文所用全部代码至 Github。
引用
@article{arxiv.1711.09561,
title = {HP-GAN: Probabilistic 3D human motion prediction via GAN},
author = {Emad Barsoum and John Kender and Zicheng Liu},
journal= {arXiv preprint arXiv:1711.09561},
year = {2017}
}