基于相空间中关节依赖建模的运动预测
计算机视觉与模式识别
2022-01-10 v1
摘要
运动预测是计算机视觉中的一个经典问题，旨在根据观察到的姿态序列预测未来的运动。已有多种深度学习模型被提出，在运动预测上取得了最先进的性能。然而，现有方法通常侧重于在姿态空间中建模时间动态。不幸的是，人体运动复杂且高维的本质给动态上下文捕捉带来了固有挑战。因此，我们脱离传统的基于姿态的表示，提出了一种采用单个关节相空间轨迹表示的新方法。此外，当前方法往往只考虑物理连接关节之间的依赖关系。在本文中，我们引入了一种新颖的卷积神经模型，以有效利用运动解剖学的显式先验知识，并同时捕捉关节轨迹动态的时空信息。然后我们提出了一个全局优化模块，用于学习单个关节特征之间的隐式关系。在经验上，我们的方法在大规模 3D 人体运动基准数据集（即 Human3.6M、CMU MoCap）上进行了评估。这些结果表明我们的方法在基准数据集上确立了新的最先进水平。我们的代码将在 https://github.com/Pose-Group/TEID 提供。
引用
@article{arxiv.2201.02365,
title = {Motion Prediction via Joint Dependency Modeling in Phase Space},
author = {Pengxiang Su and Zhenguang Liu and Shuang Wu and Lei Zhu and Yifang Yin and Xuanjing Shen},
journal= {arXiv preprint arXiv:2201.02365},
year = {2022}
}