論文の概要: Long Term Motion Prediction Using Keyposes
- arxiv url: http://arxiv.org/abs/2012.04731v1
- Date: Tue, 8 Dec 2020 20:45:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-16 21:12:44.456156
- Title: Long Term Motion Prediction Using Keyposes
- Title(参考訳): keyposesを用いた長期動作予測
- Authors: Sena Kiciroglu, Wei Wang, Mathieu Salzmann, Pascal Fua
- Abstract要約: 長期的な予測を達成するには、瞬時に人間のポーズを予測する必要があると論じている。
このようなポーズを「キーポス」と呼び、後続のキーポスを線形に補間して近似する複素運動と呼ぶ。
このようなキープレースのシーケンスを学習することで,将来的には最大5秒まで,非常に長期にわたる動作を予測できることが示される。
- 参考スコア(独自算出の注目度): 122.22758311506588
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Long term human motion prediction is an essential component in
safety-critical applications, such as human-robot interaction and autonomous
driving. We argue that, to achieve long term forecasting, predicting human pose
at every time instant is unnecessary because human motion follows patterns that
are well-represented by a few essential poses in the sequence. We call such
poses "keyposes", and approximate complex motions by linearly interpolating
between subsequent keyposes. We show that learning the sequence of such
keyposes allows us to predict very long term motion, up to 5 seconds in the
future. In particular, our predictions are much more realistic and better
preserve the motion dynamics than those obtained by the state-of-the-art
methods. Furthermore, our approach models the future keyposes
probabilistically, which, during inference, lets us generate diverse future
motions via sampling.
- Abstract(参考訳): 長期的な人間の動き予測は、人間とロボットの相互作用や自律運転など、安全に重要な応用において欠かせない要素である。
我々は、長期予測を達成するためには、人間の動きがいくつかの基本的なポーズによってよく表されるパターンに従うため、瞬時に人間のポーズを予測することは不要であると主張する。
このようなポーズを「キーポス」と呼び、後続のキーポスを線形に補間して近似する複素運動と呼ぶ。
このようなキープレースのシーケンスを学習することで,将来的には最大5秒までの長い動きを予測できることを示す。
特に、私たちの予測は、最先端の手法で得られたものよりもずっとリアルで、動きのダイナミクスを保存できます。
さらに,提案手法は未来のキーを確率論的にモデル化し,推論中にサンプリングによって様々な未来の動きを生成する。
関連論文リスト
- SPOTR: Spatio-temporal Pose Transformers for Human Motion Prediction [12.248428883804763]
3次元人間の動き予測は、コンピュータビジョンにおける高い重要性と課題を計算した研究領域である。
伝統的に、自己回帰モデルは人間の動きを予測するために用いられてきた。
人間の動作予測のための非自己回帰モデルを提案する。
論文 参考訳(メタデータ) (2023-03-11T01:44:29Z) - Investigating Pose Representations and Motion Contexts Modeling for 3D
Motion Prediction [63.62263239934777]
歴史的ポーズシーケンスから人間の動きを予測することは、機械が人間と知的な相互作用を成功させるために不可欠である。
本研究では,様々なポーズ表現に関する詳細な研究を行い,その動作予測課題に対する効果に着目した。
AHMR(Attentive Hierarchical Motion Recurrent Network)と呼ばれる新しいRNNアーキテクチャを提案する。
論文 参考訳(メタデータ) (2021-12-30T10:45:22Z) - Dyadic Human Motion Prediction [119.3376964777803]
本稿では,2つの被験者の相互作用を明示的に推論する動き予測フレームワークを提案する。
具体的には,2つの被験者の運動履歴の相互依存をモデル化する一対の注意機構を導入する。
これにより、より現実的な方法で長期の運動力学を保ち、異常かつ高速な運動を予測することができる。
論文 参考訳(メタデータ) (2021-12-01T10:30:40Z) - Generating Smooth Pose Sequences for Diverse Human Motion Prediction [90.45823619796674]
本稿では,多様な動作予測と制御可能な動作予測のための統合された深部生成ネットワークを提案する。
標準ベンチマークデータセットであるHuman3.6MとHumanEva-Iの2つの実験は、我々のアプローチがサンプルの多様性と精度の両方において最先端のベースラインより優れていることを示した。
論文 参考訳(メタデータ) (2021-08-19T00:58:00Z) - Probabilistic Human Motion Prediction via A Bayesian Neural Network [71.16277790708529]
本稿では,人間の動作予測のための確率モデルを提案する。
我々のモデルは、観測された動きシーケンスが与えられたときに、いくつかの将来の動きを生成することができる。
我々は、大規模ベンチマークデータセットHuman3.6mに対して、我々のアプローチを広範囲に検証した。
論文 参考訳(メタデータ) (2021-07-14T09:05:33Z) - Perpetual Motion: Generating Unbounded Human Motion [61.40259979876424]
我々は、長期的な予測、つまり、人間の動きの長いシーケンスを生成することに焦点を当てる。
本研究では,非決定論的,テキストに変化する,永続的な人間の動きを生成するモデルを提案する。
我々は、これをホワイトノイズガウス過程のKL分岐の重み付き関数を用いて訓練し、潜時シーケンスの時間依存性を許容する。
論文 参考訳(メタデータ) (2020-07-27T21:50:36Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。