基于动作捕捉数据的循环半监督分类与约束对抗生成

我们探索用于半监督序列分类与重建的循环编码器多解码器神经网络架构。我们发现，在仅有少量标记数据可用（实践中常如此）时，使用多个重建模块有助于模型在分类任务中泛化。此类模型提供有用的运动高级表示，允许对新序列进行聚类、搜索和更快标记。我们还提出了一个著名的、高质量动作捕捉数据集的一种新的、符合实际的划分，以更好地评估。我们进一步探索基于条件循环生成对抗网络的未来预测解码器的新公式，为此我们提出了源于合成未来运动的期望物理性质和期望动画目标的软硬约束用于过渡生成。我们发现使用此类约束可稳定用于动画生成的循环对抗架构的训练。