MSR-GCN：用于人体运动预测的多尺度残差图卷积网络
计算机视觉与模式识别
2021-08-18 v2
摘要
由于未来姿态的随机性和非周期性，人体运动预测是一项具有挑战性的任务。近来，图卷积网络已被证明对学习时间姿态关节间的动态关系非常有效，这有助于姿态预测。另一方面，可递归地抽象人体姿态以获得多尺度的一组姿态。随着抽象层级的提高，姿态运动变得更加稳定，这也有利于姿态预测。本文中，我们提出一种新颖的端到端多尺度残差图卷积网络（MSR-GCN）用于人体姿态预测任务。GCN 用于从细到粗尺度再从粗到细尺度提取特征。各尺度提取的特征随后被组合并解码以获得输入与目标姿态间的残差。对所有预测姿态施加中间监督，迫使网络学习更具代表性的特征。我们提出的方法在两个标准基准数据集上评估，即 Human3.6M 数据集和 CMU Mocap 数据集。实验结果表明我们的方法优于当前最优方法。代码与预训练模型可见于 https://github.com/Droliven/MSRGCN。
引用
@article{arxiv.2108.07152,
title = {MSR-GCN: Multi-Scale Residual Graph Convolution Networks for Human Motion Prediction},
author = {Lingwei Dang and Yongwei Nie and Chengjiang Long and Qing Zhang and Guiqing Li},
journal= {arXiv preprint arXiv:2108.07152},
year = {2021}
}
备注
The latest camera ready version (this paper has been accepted by ICCV2021)