学习轨迹依赖关系用于人体运动预测
计算机视觉与模式识别
2020-07-08 v3
摘要
人体运动预测，即给定观测姿态序列预测未来身体姿态，通常借助循环神经网络（RNNs）来解决。然而，如先前工作所示，由此得到的 RNN 模型存在预测误差累积的问题，导致运动预测中出现不期望的间断。本文中，我们提出了一种简单的用于运动预测的前馈深度网络，其同时考虑了时间平滑性以及人体关节之间的空间依赖关系。在此背景下，我们进而提出在轨迹空间中而非传统使用的姿态空间中编码时间信息。这使我们免于手动定义时间依赖的范围（或如先前工作所做的时间卷积滤波器大小）。此外，人体姿态的空间依赖通过将人体姿态视为由每对 body joints 之间连接构成的通用图（而非人体骨骼运动学树）来编码。我们不使用预定义图结构，而是设计一种新的图卷积网络来自动学习图连通性。这使得网络能够捕捉超出人体运动学树范围的长期依赖。我们在多个标准基准数据集上评估了我们的方法，包括 Human3.6M、CMU 动作捕捉数据集和 3DPW。我们的实验清楚地表明所提方法达到了最先进的性能，并且适用于基于角度和基于位置的姿态表示。代码见 https://github.com/wei-mao-2019/LearnTrajDep。
引用
@article{arxiv.1908.05436,
title = {Learning Trajectory Dependencies for Human Motion Prediction},
author = {Wei Mao and Miaomiao Liu and Mathieu Salzmann and Hongdong Li},
journal= {arXiv preprint arXiv:1908.05436},
year = {2020}
}
备注
Accepted by ICCV2019(Oral)