Fugu-MT 論文翻訳(概要): Application of Graph Convolutions in a Lightweight Model for Skeletal Human Motion Forecasting

論文の概要: Application of Graph Convolutions in a Lightweight Model for Skeletal Human Motion Forecasting

arxiv url: http://arxiv.org/abs/2110.04810v1
Date: Sun, 10 Oct 2021 14:44:56 GMT
ステータス: 処理完了
システム内更新日: 2021-10-16 15:54:25.981411
Title: Application of Graph Convolutions in a Lightweight Model for Skeletal Human Motion Forecasting
Title（参考訳）: 人体運動予測のための軽量モデルへのグラフ畳み込みの適用
Authors: Luca Hermes, Barbara Hammer and Malte Schilling
Abstract要約: 本研究では,移動体の骨格構造を通じて,組織的な空間情報を統合するモデルを提案する。この固有の構造は、グラフ畳み込み(Graph Convolutions)の適用を通じて、私たちのモデルで活用されます。
参考スコア（独自算出の注目度）: 7.706795195017394
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Prediction of movements is essential for successful cooperation with intelligent systems. We propose a model that integrates organized spatial information as given through the moving body's skeletal structure. This inherent structure is exploited in our model through application of Graph Convolutions and we demonstrate how this allows leveraging the structured spatial information into competitive predictions that are based on a lightweight model that requires a comparatively small number of parameters.
Abstract（参考訳）: 運動の予測は知的システムとの協調の成功に不可欠である。移動体の骨格構造を通した組織的空間情報の統合モデルを提案する。この内在的な構造は,グラフ畳み込みの応用によってモデル内で活用され,比較的少数のパラメータを必要とする軽量モデルに基づく競合予測に構造化空間情報をいかに活用できるかを実証する。

関連論文リスト

Evolve Smoothly, Fit Consistently: Learning Smooth Latent Dynamics For Advection-Dominated Systems [14.553972457854517]
複雑な物理系のサロゲートモデルを学ぶための,データ駆動・時空連続フレームワークを提案する。ネットワークの表現力と特別に設計された整合性誘導正規化を利用して,低次元かつ滑らかな潜在軌道を得る。
論文参考訳（メタデータ） (2023-01-25T03:06:03Z)
Conditioned Human Trajectory Prediction using Iterative Attention Blocks [70.36888514074022]
本研究では,都市環境における歩行者位置予測を目的とした,簡易かつ効果的な歩行者軌道予測モデルを提案する。我々のモデルは、複数のアテンションブロックとトランスフォーマーを反復的に実行できるニューラルネットワークアーキテクチャである。ソーシャルマスク, 動的モデル, ソーシャルプーリング層, 複雑なグラフのような構造を明示的に導入することなく, SoTAモデルと同等の結果が得られることを示す。
論文参考訳（メタデータ） (2022-06-29T07:49:48Z)
Low-Rank Constraints for Fast Inference in Structured Models [110.38427965904266]
この研究は、大規模構造化モデルの計算とメモリの複雑さを低減するための単純なアプローチを示す。言語モデリング,ポリフォニック・ミュージック・モデリング,教師なし文法帰納法,ビデオ・モデリングのためのニューラルパラメータ構造モデルを用いた実験により,我々の手法は大規模状態空間における標準モデルの精度と一致することを示した。
論文参考訳（メタデータ） (2022-01-08T00:47:50Z)
Multi-Scale Semantics-Guided Neural Networks for Efficient Skeleton-Based Human Action Recognition [140.18376685167857]
スケルトンに基づく行動認識には,単純なマルチスケールセマンティクス誘導ニューラルネットワークが提案されている。 MS-SGNは、NTU60、NTU120、SYSUデータセットの最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2021-11-07T03:50:50Z)
Graph-based Normalizing Flow for Human Motion Generation and Reconstruction [20.454140530081183]
過去の情報と制御信号に基づく長地平線運動系列を合成・再構築する確率生成モデルを提案する。足踏み解析と骨長解析を併用したモーションキャプチャデータセットを用いたモデル評価を行った。
論文参考訳（メタデータ） (2021-04-07T09:51:15Z)
Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action Recognition [57.98278794950759]
グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。提案手法を,現在最大規模の2つの3次元データセット上で評価する。
論文参考訳（メタデータ） (2020-07-30T18:23:18Z)
S2RMs: Spatially Structured Recurrent Modules [105.0377129434636]
モジュール構造とテンポラル構造の両方を同時に活用できる動的構造を利用するための一歩を踏み出します。我々のモデルは利用可能なビューの数に対して堅牢であり、追加のトレーニングなしで新しいタスクに一般化できる。
論文参考訳（メタデータ） (2020-07-13T17:44:30Z)
Lossless Compression of Structured Convolutional Models via Lifting [14.63152363481139]
我々は, 情報を失うことなく, 対称性を検出し, ニューラルネットワークを圧縮する, シンプルで効率的な手法を提案する。このような圧縮が構造的畳み込みモデルの大幅な高速化につながることを実験を通じて実証する。
論文参考訳（メタデータ） (2020-07-13T08:02:27Z)
CoSE: Compositional Stroke Embeddings [52.529172734044664]
本稿では、ストロークベースの描画タスクのような複雑な自由形式構造に対する生成モデルを提案する。我々のアプローチは、自動補完図のようなインタラクティブなユースケースに適している。
論文参考訳（メタデータ） (2020-06-17T15:22:54Z)

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。