論文の概要: Aggregated Multi-GANs for Controlled 3D Human Motion Prediction

• arxiv url: http://arxiv.org/abs/2103.09755v1
• Date: Wed, 17 Mar 2021 16:22:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-18 14:08:53.915281
• Title: Aggregated Multi-GANs for Controlled 3D Human Motion Prediction
• Title（参考訳）: 制御された3次元動作予測のための集約マルチガン
• Authors: Zhenguang Liu, Kedi Lyu, Shuang Wu, Haipeng Chen, Yanbin Hao, Shouling Ji
• Abstract要約: 本研究では,人間の運動予測タスクの一般化を提案し,制御パラメータを容易に組み込んで予測運動を調整する。 本手法は,行動タイプ間で操作可能な動作予測が可能であり,人間の動きを様々な細かな方法でカスタマイズできるという点で説得力がある。
• 参考スコア（独自算出の注目度）: 39.84142236414808
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human motion prediction from historical pose sequence is at the core of many applications in machine intelligence. However, in current state-of-the-art methods, the predicted future motion is confined within the same activity. One can neither generate predictions that differ from the current activity, nor manipulate the body parts to explore various future possibilities. Undoubtedly, this greatly limits the usefulness and applicability of motion prediction. In this paper, we propose a generalization of the human motion prediction task in which control parameters can be readily incorporated to adjust the forecasted motion. Our method is compelling in that it enables manipulable motion prediction across activity types and allows customization of the human movement in a variety of fine-grained ways. To this aim, a simple yet effective composite GAN structure, consisting of local GANs for different body parts and aggregated via a global GAN is presented. The local GANs game in lower dimensions, while the global GAN adjusts in high dimensional space to avoid mode collapse. Extensive experiments show that our method outperforms state-of-the-art. The codes are available at https://github.com/herolvkd/AM-GAN.
• Abstract（参考訳）: 歴史的ポーズシーケンスからの人間の動作予測は、マシンインテリジェンスにおける多くの応用の中核にある。 しかし、現在の最先端手法では、予測される将来の動きは同じ活動に制限される。 現在の活動と異なる予測を生成できないし、身体の部分を操作して様々な将来の可能性を探ることもできる。 間違いなく、これは動き予測の有用性と適用性を大幅に制限している。 本稿では、予測された動きを調整するために制御パラメータを容易に組み込むことができる人間の動き予測タスクの一般化を提案する。 本手法は,行動タイプ間で操作可能な動作予測が可能であり,人間の動きを様々な細かな方法でカスタマイズできるという点で説得力がある。 この目的のために,グローバルなGANを介して集約された局所的なGANからなる,シンプルで効果的な複合GAN構造を示す。 局所的な GAN ゲームは低次元で、グローバル GAN はモード崩壊を避けるために高次元空間で調整する。 実験の結果,本手法は最先端の手法よりも優れていた。 コードはhttps://github.com/herolvkd/am-ganで入手できる。

関連論文リスト

• GazeMoDiff: Gaze-guided Diffusion Model for Stochastic Human Motion Prediction [10.982807572404166]
  本稿では、人間の動きを生成するための新しい視線誘導型微分拡散モデルGazeMoを提案する。 提案手法はまず視線エンコーダを用いて視線と運動の特徴を抽出し,その特徴を融合させるグラフアテンションネットワークを用いる。 提案手法は,マルチモーダルな最終誤差の点で,最先端の手法よりも高い性能を示す。
  論文  参考訳（メタデータ） (2023-12-19T12:10:12Z)
• Universal Humanoid Motion Representations for Physics-Based Control [71.46142106079292]
  物理学に基づくヒューマノイド制御のための総合的な運動スキルを含む普遍的な運動表現を提案する。 まず、大きな非構造運動データセットから人間の動きをすべて模倣できる動き模倣機を学習する。 次に、模倣者から直接スキルを蒸留することで、動作表現を作成します。
  論文  参考訳（メタデータ） (2023-10-06T20:48:43Z)
• Diverse Human Motion Prediction Guided by Multi-Level Spatial-Temporal Anchors [21.915057426589744]
  本稿では,サンプルの精度と多様性を促進するために,ランダムなサンプルコードと,決定論的に学習可能なコンポーネントであるアンカーを分離する,単純かつ効果的なアプローチを提案する。 原則として、時空間アンカーベースサンプリング(STARS)は、異なる動き予測器に適用できる。
  論文  参考訳（メタデータ） (2023-02-09T18:58:07Z)
• DMMGAN: Diverse Multi Motion Prediction of 3D Human Joints using Attention-Based Generative Adverserial Network [9.247294820004143]
  本稿では,多種多様な人間の動きを予測するためのトランスフォーマーに基づく生成モデルを提案する。 本モデルでは、まず、股関節に対する身体の姿勢を予測し、次に、textitHip予測モジュールが、予測された各ポーズフレームに対する股関節運動の軌跡を予測する。 本研究では,ヒトの動作予測において,股関節運動を伴う多動将来の軌跡を予測しながら,最先端の動作予測に優れることを示す。
  論文  参考訳（メタデータ） (2022-09-13T23:22:33Z)
• Weakly-supervised Action Transition Learning for Stochastic Human Motion Prediction [81.94175022575966]
  動作駆動型人間の動作予測の課題について紹介する。 一連の動作ラベルと短い動作履歴から、複数の可算な将来の動作を予測することを目的としている。
  論文  参考訳（メタデータ） (2022-05-31T08:38:07Z)
• 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)
• Learning to Predict Diverse Human Motions from a Single Image via Mixture Density Networks [9.06677862854201]
  本研究では,混合密度ネットワーク(MDN)モデルを用いて,単一画像から将来の人間の動きを予測する新しい手法を提案する。 MDNのマルチモーダルな性質は、既存のディープヒューマンモーション予測アプローチとは対照的に、様々な将来のモーション仮説の生成を可能にしている。 訓練されたモデルでは、入力として画像を直接取り、与えられた条件を満たす複数の可視運動を生成する。
  論文  参考訳（メタデータ） (2021-09-13T08:49:33Z)
• 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)
• 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。