用于人体运动预测的多尺度相关性学习
计算机视觉与模式识别
2021-07-13 v2
摘要
尽管人体运动预测取得了巨大进展，预测那些非周期性和复杂运动仍然是一项具有挑战性的任务。我们认为，捕捉人体各部件之间的相关性是理解人体运动的关键。本文提出一种新颖的多尺度图卷积网络（MGCN）来解决该问题。首先，我们设计了一个自适应多尺度交互编码模块（MIEM），该模块由两个子模块组成：尺度变换模块和尺度交互模块，以学习人体相关性。其次，我们采用由粗到细的解码策略依次解码运动。我们在两个标准基准数据集上评估了我们的方法：Human3.6M 和 CMU 动作捕捉数据集。实验表明，所提方法在短期和长期预测中均达到了最先进的性能，尤其是在那些复杂动作类别中。
引用
@article{arxiv.2103.10674,
title = {Learning Multiscale Correlations for Human Motion Prediction},
author = {Honghong Zhou and Caili Guo and Hao Zhang and Yanjun Wang},
journal= {arXiv preprint arXiv:2103.10674},
year = {2021}
}
备注
The paper has submitted to IEEE ICDL 2021, The codes will be available after the paper was accepted