Fugu-MT 論文翻訳(概要): An Attractor-Guided Neural Networks for Skeleton-Based Human Motion Prediction

論文の概要: An Attractor-Guided Neural Networks for Skeleton-Based Human Motion Prediction

arxiv url: http://arxiv.org/abs/2105.09711v1
Date: Thu, 20 May 2021 12:51:39 GMT
ステータス: 処理完了
システム内更新日: 2021-05-21 13:33:38.059106
Title: An Attractor-Guided Neural Networks for Skeleton-Based Human Motion Prediction
Title（参考訳）: 人体運動予測のためのトラクター誘導型ニューラルネットワーク
Authors: Pengxiang Ding and Jianqin Yin
Abstract要約: 関節モデリングは人間の動作予測におけるキュリアルな要素である。我々は、時間的特徴からバランスアトラクション(BA)と呼ばれる媒体を学習し、グローバルな動き特徴を特徴づける。 BAを通して、全ての関節は同期的に関連付けられ、したがって全ての関節のグローバルな調整がよりよく学べる。
参考スコア（独自算出の注目度）: 0.4568777157687961
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Joint relation modeling is a curial component in human motion prediction. Most existing methods tend to design skeletal-based graphs to build the relations among joints, where local interactions between joint pairs are well learned. However, the global coordination of all joints, which reflects human motion's balance property, is usually weakened because it is learned from part to whole progressively and asynchronously. Thus, the final predicted motions are sometimes unnatural. To tackle this issue, we learn a medium, called balance attractor (BA), from the spatiotemporal features of motion to characterize the global motion features, which is subsequently used to build new joint relations. Through the BA, all joints are related synchronously, and thus the global coordination of all joints can be better learned. Based on the BA, we propose our framework, referred to Attractor-Guided Neural Network, mainly including Attractor-Based Joint Relation Extractor (AJRE) and Multi-timescale Dynamics Extractor (MTDE). The AJRE mainly includes Global Coordination Extractor (GCE) and Local Interaction Extractor (LIE). The former presents the global coordination of all joints, and the latter encodes local interactions between joint pairs. The MTDE is designed to extract dynamic information from raw position information for effective prediction. Extensive experiments show that the proposed framework outperforms state-of-the-art methods in both short and long-term predictions in H3.6M, CMU-Mocap, and 3DPW.
Abstract（参考訳）: 関節関係モデリングは人間の動作予測におけるキュリアルな要素である。既存の手法のほとんどは、関節間の関係を構築するために骨格ベースのグラフを設計する傾向がある。しかし、人間の運動のバランス特性を反映した全ての関節のグローバルな協調は、段階的かつ非同期に学習されるため、通常は弱められる。したがって、最終的な予測運動は時々不自然である。この問題に取り組むため,我々は,運動の時空間的特徴からバランスアトラクタ(ba)と呼ばれる媒体を学習し,新たな協調関係の構築に使用されるグローバルモーションの特徴を特徴付ける。 baを通して全ての関節は同期的に関連し、したがって全ての関節のグローバルな協調がより良く学習できる。本稿では,AJRE (Attractor-Based Joint Relation Extractor) とMTDE (Multi-timescale Dynamics Extractor) を含むAttractor-Guided Neural Networkを提案する。 AJREは主にGCE(Global Coordination Extractor)とLIE(Local Interaction Extractor)を含んでいる。前者はすべてのジョイントのグローバルな協調を示し、後者はジョイントペア間の局所的な相互作用を符号化する。 MTDEは、効率的な予測のために、原位置情報から動的情報を抽出するように設計されている。大規模な実験の結果,提案手法はH3.6M, CMU-Mocap, 3DPWの短期および長期予測において, 最先端の手法よりも優れていた。

関連論文リスト

Relation Learning and Aggregate-attention for Multi-person Motion Prediction [13.052342503276936]
多対人動作予測は、骨格構造や人間の軌道だけでなく、他者との相互作用も考慮している。それまでの手法では、個人内の結合関係(イントラリレーション)とグループ間の相互作用(インターリレーション)は異なる種類の表現であるとしばしば見落としていた。我々はこれらの関係を明示的にモデル化する多人数動作予測のための新しい協調フレームワークを提案する。
論文参考訳（メタデータ） (2024-11-06T07:48:30Z)
Towards more realistic human motion prediction with attention to motion coordination [7.243632426715939]
本稿では,この動き調整と結合対間の局所的相互作用を統一的に組み合わせた新しい結合関係モデリングモジュール,Comprehensive Joint Relation Extractor (CJRE)を提案する。提案手法は,H3.6M,CMU-Mocap,3DPWの短期および長期予測において,最先端の手法より優れている。
論文参考訳（メタデータ） (2024-04-04T16:48:40Z)
Learning Mutual Excitation for Hand-to-Hand and Human-to-Human Interaction Recognition [22.538114033191313]
相互励起グラフ畳み込み層を積み重ねた相互励起グラフ畳み込みネットワーク(me-GCN)を提案する。 Me-GCは各レイヤとグラフ畳み込み操作の各ステージで相互情報を学習する。提案するme-GCは,最先端GCN法およびTransformer法より優れている。
論文参考訳（メタデータ） (2024-02-04T10:00:00Z)
APGL4SR: A Generic Framework with Adaptive and Personalized Global Collaborative Information in Sequential Recommendation [86.29366168836141]
逐次推薦のための適応およびパーソナライズされたグラフ学習(APGL4SR)というグラフ駆動型フレームワークを提案する。 APGL4SRは、適応的でパーソナライズされたグローバルな協調情報をシーケンシャルレコメンデーションシステムに組み込む。一般的なフレームワークとして、APGL4SRは大きなマージンを持つ他のベースラインよりも優れている。
論文参考訳（メタデータ） (2023-11-06T01:33:24Z)
Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction [121.65152276851619]
関係性間の意味的相関は本質的にエッジレベルとエンティティ非依存であることを示す。本研究では,関係関係のトポロジ・アウェア・コレレーションをモデル化するための新しいサブグラフベース手法,TACOを提案する。 RCNのポテンシャルをさらに活用するために, 完全コモンニアインダストリアルサブグラフを提案する。
論文参考訳（メタデータ） (2023-09-20T08:11:58Z)
Joint-Relation Transformer for Multi-Person Motion Prediction [79.08243886832601]
相互作用モデリングの強化を目的とした結合関係変換器を提案する。提案手法は3DPW-SoMoF/RCで900ms VIMを13.4%改善し, 3s MPJPEで17.8%/12.0%改善した。
論文参考訳（メタデータ） (2023-08-09T09:02:47Z)
Kinematics Modeling Network for Video-based Human Pose Estimation [9.506011491028891]
ビデオから人間のポーズを推定することは、人間とコンピュータの相互作用において重要である。関節は人間の動きの中で独立して動くのではなく協力する。関節間の時間的相関を明示的にモデル化するためのKMM(プラグイン・アンド・プレイ・キネマティクス・モデリング・モジュール)を提案する。
論文参考訳（メタデータ） (2022-07-22T09:37:48Z)
Global-local Motion Transformer for Unsupervised Skeleton-based Action Learning [23.051184131833292]
骨格運動系列の教師なし学習のための新しいトランスフォーマーモデルを提案する。提案モデルでは, 関節の局所力学を学習し, 動き列から大域的文脈を捉える。
論文参考訳（メタデータ） (2022-07-13T10:18:07Z)
Global-and-Local Collaborative Learning for Co-Salient Object Detection [162.62642867056385]
Co-Salient Object Detection (CoSOD)の目標は、2つ以上の関連する画像を含むクエリグループに一般的に現れる有能なオブジェクトを見つけることである。本稿では,グローバル対応モデリング(GCM)とローカル対応モデリング(LCM)を含む,グローバル・ローカル協調学習アーキテクチャを提案する。提案したGLNetは3つの一般的なCoSODベンチマークデータセットに基づいて評価され、我々のモデルが小さなデータセット(約3k画像)でトレーニングされた場合、一部の大規模データセット(約8k-200k画像)でトレーニングされた11の最先端の競合製品(約8k-200k画像)を上回っていることを示す。
論文参考訳（メタデータ） (2022-04-19T14:32:41Z)
SpatioTemporal Focus for Skeleton-based Action Recognition [66.8571926307011]
グラフ畳み込みネットワーク(GCN)は骨格に基づく行動認識において広く採用されている。近年提案されている骨格に基づく行動認識法の性能は以下の要因によって制限されていると論じる。近年の注目機構に着想を得て,アクション関連関係情報を取得するためのマルチグラインド・コンテキスト集中モジュール MCF を提案する。
論文参考訳（メタデータ） (2022-03-31T02:45:24Z)
Pose And Joint-Aware Action Recognition [87.4780883700755]
本稿では,まず,共有動作エンコーダを用いて各関節の動作特徴を別々に抽出する,関節に基づく動作認識の新しいモデルを提案する。私たちのジョイントセレクタモジュールは、そのタスクの最も識別性の高いジョイントを選択するために、ジョイント情報を再重み付けします。 JHMDB, HMDB, Charades, AVA アクション認識データセットにおける最先端のジョイントベースアプローチに対する大きな改善点を示す。
論文参考訳（メタデータ） (2020-10-16T04:43:34Z)

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。