面向高质量人体运动预测的阶段递进式更优初始猜测生成方法
计算机视觉与模式识别
2022-03-31 v1
摘要
本文提出一种高质量人体运动预测方法，可在给定已观测姿态的情况下准确预测未来人体姿态。我们的方法基于如下观察：对未来姿态的良好初始猜测非常有助于提升预测精度。这促使我们提出一种新颖的两阶段预测框架，包括仅计算良好猜测的初始预测网络，以及基于该猜测预测目标未来姿态的正式预测网络。更重要的是，我们进一步扩展该思想并设计了多阶段预测框架，其中每个阶段为下一阶段预测初始猜测，从而带来更多性能增益。为完成各阶段的预测任务，我们提出由空间稠密图卷积网络（S-DGCN）与时间稠密图卷积网络（T-DGCN）组成的网络。交替执行这两个网络有助于在整个姿态序列的全局感受野上提取时空特征。上述所有设计选择协同作用，使我们的方法大幅优于以往方法：在 Human3.6M 上提升 6%–7%，在 CMU-MoCap 上提升 5%–10%，在 3DPW 上提升 13%–16%。
引用
@article{arxiv.2203.16051,
title = {Progressively Generating Better Initial Guesses Towards Next Stages for High-Quality Human Motion Prediction},
author = {Tiezheng Ma and Yongwei Nie and Chengjiang Long and Qing Zhang and Guiqing Li},
journal= {arXiv preprint arXiv:2203.16051},
year = {2022}
}
备注
Already accepted by CVPR2022