論文の概要: SocialInteractionGAN: Multi-person Interaction Sequence Generation
- arxiv url: http://arxiv.org/abs/2103.05916v1
- Date: Wed, 10 Mar 2021 08:11:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-11 14:47:21.393722
- Title: SocialInteractionGAN: Multi-person Interaction Sequence Generation
- Title（参考訳）: Social InteractionGAN: 多人数インタラクションシーケンス生成
- Authors: Louis Airale (M-PSI, PERCEPTION), Dominique Vaufreydaz (M-PSI), Xavier
Alameda-Pineda (PERCEPTION)
- Abstract要約: 条件付き相互作用生成のための新しい対比アーキテクチャであるSocialInteractionGANを提示する。
本モデルは,再帰型エンコーダデコーダジェネレータネットワークとデュアルストリームディスクリミネータ上に構築する。
提案されたSocialInteractionGANは、対話する人々の高いリアリズムアクションシーケンスを生成することに成功していることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Prediction of human actions in social interactions has important applications
in the design of social robots or artificial avatars. In this paper, we model
human interaction generation as a discrete multi-sequence generation problem
and present SocialInteractionGAN, a novel adversarial architecture for
conditional interaction generation. Our model builds on a recurrent
encoder-decoder generator network and a dual-stream discriminator. This
architecture allows the discriminator to jointly assess the realism of
interactions and that of individual action sequences. Within each stream a
recurrent network operating on short subsequences endows the output signal with
local assessments, better guiding the forthcoming generation. Crucially,
contextual information on interacting participants is shared among agents and
reinjected in both the generation and the discriminator evaluation processes.
We show that the proposed SocialInteractionGAN succeeds in producing high
realism action sequences of interacting people, comparing favorably to a
diversity of recurrent and convolutional discriminator baselines. Evaluations
are conducted using modified Inception Score and Fr{\'e}chet Inception Distance
metrics, that we specifically design for discrete sequential generated data.
The distribution of generated sequences is shown to approach closely that of
real data. In particular our model properly learns the dynamics of interaction
sequences, while exploiting the full range of actions.
- Abstract（参考訳）: 社会的相互作用における人間の行動の予測は、ソーシャルロボットや人工アバターの設計に重要な応用がある。
本論文では,ヒューマンインタラクション生成を離散的マルチシーケンス生成問題としてモデル化し,条件付きインタラクション生成のための新しい対比アーキテクチャであるSocialInteractionGANを提案する。
本モデルは,再帰型エンコーダデコーダジェネレータネットワークとデュアルストリームディスクリミネータ上に構築する。
このアーキテクチャにより、識別者は相互作用のリアリズムと個々のアクションシーケンスのリアリズムを共同で評価することができる。
各ストリーム内では、短いサブシーケンスで動作するリカレントネットワークが出力信号を局所的な評価で内包し、次の世代を誘導する。
相互作用する参加者の文脈情報はエージェント間で共有され、世代と差別評価プロセスの両方で再注入されます。
提案されたSocialInteractionGANは、相互に相互作用する人々の高いリアリズムアクションシーケンスを成功させ、反復的および畳み込み的差別的ベースラインの多様性に有利に比較することを示した。
改良インセプションスコア(modified inception score)とfr{\'e}chetインセプション距離メトリクス(fr{\'e}chet inception distance metrics)を用いて評価を行った。
生成されたシーケンスの分布は、実際のデータに近づきつつある。
特に私たちのモデルは、あらゆるアクションを活用しながら、インタラクションシーケンスのダイナミクスを適切に学習します。
関連論文リスト
- Behavior-Inspired Neural Networks for Relational Inference [3.7219180084857473]
最近の研究は、エージェント間の関係を、その身体行動の観察に基づいて分類することを学ぶ。
エージェントの観測可能な振る舞いと,その動作を決定する潜在カテゴリの抽象化レベルを導入する。
エージェントの身体的近さと嗜好を非線形意見力学モデルに統合し、相互排他的潜在カテゴリを特定し、エージェントの時間的進化を予測し、エージェントの身体的挙動を制御するメカニズムを提供する。
論文 参考訳（メタデータ） (2024-06-20T21:36:54Z) - Multi-Agent Dynamic Relational Reasoning for Social Robot Navigation [50.01551945190676]
社会ロボットナビゲーションは、日常生活の様々な状況において有用であるが、安全な人間とロボットの相互作用と効率的な軌道計画が必要である。
本稿では, 動的に進化する関係構造を明示的に推論した系統的関係推論手法を提案する。
マルチエージェント軌道予測とソーシャルロボットナビゲーションの有効性を実証する。
論文 参考訳（メタデータ） (2024-01-22T18:58:22Z) - Co-Located Human-Human Interaction Analysis using Nonverbal Cues: A
Survey [71.43956423427397]
本研究の目的は,非言語的キューと計算手法を同定し,効果的な性能を実現することである。
この調査は、最も広い範囲の社会現象と相互作用設定を巻き込むことによって、相手と異なる。
もっともよく使われる非言語キュー、計算方法、相互作用環境、センシングアプローチは、それぞれマイクとカメラを備えた3,4人で構成される会話活動、ベクターマシンのサポート、ミーティングである。
論文 参考訳（メタデータ） (2022-07-20T13:37:57Z) - Interaction Transformer for Human Reaction Generation [61.22481606720487]
本稿では,時間的,空間的両方の注意を持つトランスフォーマーネットワークからなる対話型トランスフォーマー(InterFormer)を提案する。
我々の手法は一般的であり、より複雑で長期的な相互作用を生成するのに利用できる。
論文 参考訳（メタデータ） (2022-07-04T19:30:41Z) - Social-DualCVAE: Multimodal Trajectory Forecasting Based on Social
Interactions Pattern Aware and Dual Conditional Variational Auto-Encoder [14.05141917351931]
マルチモーダル軌道予測のための条件付き変分自動エンコーダ(Social-DualCVAE)を提案する。
これは、過去の軌跡だけでなく、教師なしの相互作用パターンの分類にもとづく生成モデルに基づいている。
提案手法は,広く用いられているトラジェクトリ・ベンチマークで評価され,従来の最先端手法よりも優れていた。
論文 参考訳（メタデータ） (2022-02-08T16:04:47Z) - Unlimited Neighborhood Interaction for Heterogeneous Trajectory
Prediction [97.40338982628094]
マルチプライカテゴリにおける異種エージェントの軌跡を予測できる,シンプルで効果的な非境界相互作用ネットワーク (UNIN) を提案する。
具体的には、提案した無制限近傍相互作用モジュールは、相互作用に関与するすべてのエージェントの融合特徴を同時に生成する。
階層型グラフアテンションモジュールを提案し,カテゴリ間相互作用とエージェント間相互作用を求める。
論文 参考訳（メタデータ） (2021-07-31T13:36:04Z) - Information Interaction Profile of Choice Adoption [2.9972063833424216]
相互作用するエンティティを分離する時間的距離に応じて、エンティティの相互作用ネットワークとその進化を推定する効率的な方法を紹介します。
相互作用プロファイルは、相互作用プロセスのメカニズムを特徴付けることができます。
ユーザに対する露出の組み合わせの効果は、各露出の独立した効果の総和以上のものであることを示す。
論文 参考訳（メタデータ） (2021-04-28T10:42:25Z) - Continuous Latent Position Models for Instantaneous Interactions [0.0]
一対のエンティティ間の即時相互作用のタイミングと頻度を分析するためのフレームワークを作成します。
瞬時相互作用の例としては、電子メールネットワーク、電話ネットワーク、およびいくつかの一般的な技術および輸送ネットワークがある。
論文 参考訳（メタデータ） (2021-03-31T15:10:58Z) - Learning Asynchronous and Sparse Human-Object Interaction in Videos [56.73059840294019]
Asynchronous-Sparse Interaction Graph Networks(ASSIGN)は、ビデオシーン内のエンティティに関連するインタラクションイベントの構造を自動的に検出します。
ASSIGNは人間と物体の相互作用認識において試験され、人間のサブアクティビティのセグメンテーションおよびラベル付けにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2021-03-03T23:43:55Z) - EvolveGraph: Multi-Agent Trajectory Prediction with Dynamic Relational
Reasoning [41.42230144157259]
本稿では,関係構造を明示的に認識し,潜在相互作用グラフによる予測を行う汎用軌道予測フレームワークを提案する。
将来の行動の不確実性を考慮すると、モデルはマルチモーダルな予測仮説を提供するように設計されている。
トレーニング効率を向上し、収束を加速するだけでなく、モデル性能も向上する2段トレーニングパイプラインを導入する。
論文 参考訳（メタデータ） (2020-03-31T02:49:23Z) - Cascaded Human-Object Interaction Recognition [175.60439054047043]
マルチステージで粗大なHOI理解のためのカスケードアーキテクチャを提案する。
各段階で、インスタンスローカライゼーションネットワークは、HOI提案を段階的に洗練し、インタラクション認識ネットワークにフィードする。
慎重に設計された人間中心の関係機能により、これらの2つのモジュールは効果的な相互作用理解に向けて協調的に機能する。
論文 参考訳（メタデータ） (2020-03-09T17:05:04Z)
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。