論文の概要: Skeleton-Graph: Long-Term 3D Motion Prediction From 2D Observations Using Deep Spatio-Temporal Graph CNNs

• arxiv url: http://arxiv.org/abs/2109.10257v1
• Date: Tue, 21 Sep 2021 15:33:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-22 16:24:36.188638
• Title: Skeleton-Graph: Long-Term 3D Motion Prediction From 2D Observations Using Deep Spatio-Temporal Graph CNNs
• Title（参考訳）: Skeleton-Graph:Deep Spatio-Temporal Graph CNNを用いた2次元観測による長期3次元運動予測
• Authors: Abduallah Mohamed, Huancheng Chen, Zhangyang Wang and Christian Claudel
• Abstract要約: 本研究では,2次元モデルから1回のパスで将来の3Dスケルトンポーズを予測するディープテンポラルグラフCNNモデルを提案する。 この設計により、Skeleton-Graph は、将来の3Dのポーズを、以前の作品とは異なり、長期にわたってばらつきなく予測する。 GTA-IM と PROX の双方で FDE が 27% 改善し,ADE が4% 改善した。
• 参考スコア（独自算出の注目度）: 67.29552662707516
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Several applications such as autonomous driving, augmented reality and virtual reality requires a precise prediction of the 3D human pose. Recently, a new problem was introduced in the field to predict the 3D human poses from an observed 2D poses. We propose Skeleton-Graph, a deep spatio-temporal graph CNN model that predicts the future 3D skeleton poses in a single pass from the 2D ones. Unlike prior works, Skeleton-Graph focuses on modeling the interaction between the skeleton joints by exploiting their spatial configuration. This is being achieved by formulating the problem as a graph structure while learning a suitable graph adjacency kernel. By the design, Skeleton-Graph predicts the future 3D poses without divergence on the long-term unlike prior works. We also introduce a new metric that measures the divergence of predictions on the long-term. Our results show an FDE improvement of at least 27% and an ADE of 4% on both the GTA-IM and PROX datasets respectively in comparison with prior works. Also, we are 88% and 93% less divergence on the long-term motion prediction in comparison with prior works on both GTA-IM and PROX datasets. https://github.com/abduallahmohamed/Skeleton-Graph.git
• Abstract（参考訳）: 自律運転、拡張現実、仮想現実などのいくつかのアプリケーションは、3D人間のポーズを正確に予測する必要がある。 近年,観察した2次元ポーズから3次元人間のポーズを予測する新たな課題が提案されている。 本研究では,2次元モデルから1回のパスで将来の3Dスケルトンポーズを予測する,深部時空間グラフCNNモデルであるSkeleton-Graphを提案する。 以前の作品とは異なり、スケルトングラフは空間的構成を利用してスケルトン関節間の相互作用をモデル化することに焦点を当てている。 これは、適切なグラフ隣接カーネルを学習しながら問題をグラフ構造として定式化することで実現されている。 デザインによって、スケルトングラフは、以前の作品とは異なり、長期的な変化なしに将来の3dポーズを予測する。 また,長期的な予測の相違を計測する新しい指標も導入する。 以上の結果より,GTA-IMおよびPROXデータセットのFDE改善率は27%,ADEは4%であった。 また、GTA-IMおよびPROXデータセットの先行研究と比較して、長期動作予測において88%と93%のばらつきがある。 https://github.com/abduallahmohamed/Skeleton-Graph.git

関連論文リスト

• Improving 3D Pose Estimation for Sign Language [38.20064386142944]
  この研究は、単一の画像における3次元人間のポーズ復元に対処する。 本稿では,フォワード・キネマティクス(FK)とニューラルネットワークを組み合わせた3次元ポーズの高速かつ有効な予測手法を提案する。
  論文  参考訳（メタデータ） (2023-08-18T13:05:10Z)
• Skeleton-Parted Graph Scattering Networks for 3D Human Motion Prediction [120.08257447708503]
  体-関節関係をモデル化するグラフ畳み込みネットワークに基づく手法は,最近3次元骨格に基づく人間の動作予測において大きな可能性を示唆している。 骨格分割グラフ散乱ネットワーク(SPGSN)を提案する。 SPGSNは、Human3.6M、CMU Mocap、および3DPWデータセット上で、関節位置誤差(MPJPE)当たりの3D平均の13.8%、9.3%、および2.7%の差で最先端の手法を上回っている。
  論文  参考訳（メタデータ） (2022-07-31T05:51:39Z)
• 3D Human Pose Regression using Graph Convolutional Network [68.8204255655161]
  本稿では,2次元のポーズから3次元のポーズ回帰を行うために,PoseGraphNetというグラフ畳み込みネットワークを提案する。 我々のモデルの性能は最先端に近いが、パラメータははるかに少ない。
  論文  参考訳（メタデータ） (2021-05-21T14:41:31Z)
• We are More than Our Joints: Predicting how 3D Bodies Move [63.34072043909123]
  我々は、潜時周波数から動きを生成する新しい変分オートエンコーダを訓練する。 実験の結果,本手法は最先端の3Dボディアニメーションとリアルな3Dボディアニメーションを生成することがわかった。
  論文  参考訳（メタデータ） (2020-12-01T16:41:04Z)
• HOPE-Net: A Graph-based Model for Hand-Object Pose Estimation [7.559220068352681]
  本稿では,2次元と3次元で手とオブジェクトのポーズをリアルタイムに推定するHOPE-Netという軽量モデルを提案する。 我々のネットワークは2つの適応グラフ畳み込みニューラルネットワークのカスケードを用いており、1つは手関節と物体角の2D座標を推定し、もう1つは2D座標を3Dに変換する。
  論文  参考訳（メタデータ） (2020-03-31T19:01:42Z)
• Dynamic Multiscale Graph Neural Networks for 3D Skeleton-Based Human Motion Prediction [102.9787019197379]
  本研究では3次元骨格に基づく人体動作を予測するために,新しい動的マルチスケールグラフニューラルネットワーク(DMGNN)を提案する。 モデルはアクションカテゴリに依存しないもので、エンコーダ/デコーダフレームワークに従う。 提案したDMGNNは,短期および長期の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） (2020-03-17T02:49:51Z)
• Anatomy-aware 3D Human Pose Estimation with Bone-based Pose Decomposition [92.99291528676021]
  3次元関節位置を直接回帰するのではなく,骨方向予測と骨長予測に分解する。 私たちのモチベーションは、人間の骨格の骨の長さが時間とともに一定であることにあります。 我々の完全なモデルは、Human3.6MとMPI-INF-3DHPデータセットにおいて、以前の最高の結果よりも優れています。
  論文  参考訳（メタデータ） (2020-02-24T15:49:37Z)

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。