基于时空多子图的 GCN 用于 3D 人体运动预测
计算机视觉与模式识别
2025-01-03 v1 机器学习
摘要
人体运动预测 (HMP) 是指根据历史数据预测未来人体运动的任务。图卷积网络 (GCN) 因其擅长捕捉人体关节之间的关系而在该领域广受关注。然而，现有的 GCN-based 方法倾向于关注temporal 域或spatial 域的特征，或是将时空特征组合而未能充分利用这两种特征的互补性与交叉依赖性。本文提出了一种时空多子图图卷积网络 (STMS-GCN)，以捕捉人体运动中的复杂时空依赖关系。具体而言，我们解耦了时序与空间依赖的建模，通过时空信息一致性约束机制，在多个尺度上实现跨域知识迁移。此外，我们利用多个子图来提取更丰富的运动信息，并通过均匀信息约束机制增强不同子图之间的学习关联。大量实验在标准 HMP 数据集上表明，我们的方法具有优越性。
引用
@article{arxiv.2501.00317,
title = {Spatio-Temporal Multi-Subgraph GCN for 3D Human Motion Prediction},
author = {Jiexin Wang and Yiju Guo and Bing Su},
journal= {arXiv preprint arXiv:2501.00317},
year = {2025}
}