学习用于长期预测的人体运动模型
计算机视觉与模式识别
2017-12-05 v2
摘要
我们提出了一种仅从数据学习预测性时空运动模型的新架构。我们的方法称为 Dropout Autoencoder LSTM，能够合成长时间范围内自然外观的运动序列，而不会出现灾难性漂移或运动退化。该模型由两个组件构成：一个用于建模时间方面的 3 层循环神经网络，以及一个新颖的自编码器，该自编码器通过在训练时随机移除关于关节的信息来训练以隐式恢复人体骨骼的空间结构。该丢弃自编码器（D-AE）随后用于过滤 LSTM 的每个预测姿态，从而减少误差累积及随时间的漂移。此外，我们提出了新的评估协议，以评估合成运动序列的质量，即使不存在真实数据（ground truth）也是如此。所提出的协议可用于评估任意长度的生成序列。最后，我们在迄今为止两个最大的动作捕捉数据集上评估了我们的方法，并表明我们的模型在包括周期性和非周期性运动在内的多种动作上优于当前最优（SOTA）方法，并且能比先前的方法在更长的时间范围内生成自然外观的序列。
引用
@article{arxiv.1704.02827,
title = {Learning Human Motion Models for Long-term Predictions},
author = {Partha Ghosh and Jie Song and Emre Aksan and Otmar Hilliges},
journal= {arXiv preprint arXiv:1704.02827},
year = {2017}
}