用于自适应人体姿态预测的元辅助学习

从历史观测序列预测高保真未来人体姿态，对智能机器人与人交互具有决定性意义。深度端到端学习方法通常先在外部数据集上训练通用预训练模型，然后直接应用于所有测试样本，已成为解决该问题的主导方案。尽管取得了令人鼓舞的进展，它们仍非最优，因为特定序列的独特属性（如运动风格、节奏）无法被适配。更一般地，在测试时一旦遇到未见运动类别（分布外），预测姿态往往不可靠。受此观察启发，我们提出一种新颖的测试时自适应框架，利用两个自监督辅助任务帮助主预测网络适配测试序列。在测试阶段，我们的模型可通过若干梯度更新调整模型参数以提升生成质量。然而，由于灾难性遗忘，两个辅助任务通常倾向于自动为最终预测性能提供所需正向激励的能力较低。为此，我们还提出一种元辅助学习方案以实现更好适配。在通用设定下，我们的方法获得了更高精度，并在两项针对分布外数据（未见受试体与类别）的新实验设计中取得显著改进。