物体搬运运动的识别与合成

深度学习通常需要大量的训练样本才能成功应用。相反，动作捕捉数据的生成往往成本高昂，需要专业设备以及演员来生成规定动作，这意味着动作捕捉数据集往往相对较小。然而，动作捕捉数据提供了丰富的信息源，在从人机交互中的手势识别到数据驱动动画的广泛应用中正变得日益有用。本项目说明了如何使用深度卷积网络，配合专门的数据增强技术，在小型动作捕捉数据集上从一类特定运动（物体搬运）的序列中学习详细信息。项目展示了这些相同的增强技术如何被扩展用于更复杂的运动合成任务。通过探索生成对抗模型（GANs）概念的最新进展，特别是 Wasserstein GAN，本项目概述了一个能够成功生成逼真物体搬运运动的模型，生成的样本展现出不同的风格和搬运策略。