通过时空分层循环网络预测长期骨骼运动
计算机视觉与模式识别
2020-02-18 v3
摘要
骨骼运动预测的主要目标是通过观察一系列 3D 骨骼来生成未来运动。运动预测的一个关键挑战在于，一个运动往往可以通过几种不同方式执行，每种方式都有其自身的姿态配置及其时空依赖关系，因此预测的姿态在长期预测中常常收敛到静止姿态或非类人运动。这促使我们定义一个分层循环网络模型，该模型显式刻画这些姿态的内部配置及其局部和全局时空依赖关系。该模型从李代数引入一个潜向量变量来同时表示空间和时间关系。此外，设计了一个基于结构化堆叠 LSTM 的解码器，用新定义的损失函数来解码预测姿态，该函数用于估计姿态中每个身体部位的量化权重。在基准数据集上的实证评估表明，我们的方法在短期和长期运动预测上都显著优于 SOTA 方法。
引用
@article{arxiv.1911.02404,
title = {Predicting Long-Term Skeletal Motions by a Spatio-Temporal Hierarchical Recurrent Network},
author = {Junfeng Hu and Zhencheng Fan and Jun Liao and Li Liu},
journal= {arXiv preprint arXiv:1911.02404},
year = {2020}
}
备注
Accepted by the 24th European Conference on Artificial Intelligence