論文の概要: Weakly-supervised Action Transition Learning for Stochastic Human Motion Prediction

• arxiv url: http://arxiv.org/abs/2205.15608v1
• Date: Tue, 31 May 2022 08:38:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-01 12:28:10.588734
• Title: Weakly-supervised Action Transition Learning for Stochastic Human Motion Prediction
• Title（参考訳）: 確率的人間の運動予測のための弱教師付き行動遷移学習
• Authors: Wei Mao and Miaomiao Liu and Mathieu Salzmann
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 81.94175022575966
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce the task of action-driven stochastic human motion prediction, which aims to predict multiple plausible future motions given a sequence of action labels and a short motion history. This differs from existing works, which predict motions that either do not respect any specific action category, or follow a single action label. In particular, addressing this task requires tackling two challenges: The transitions between the different actions must be smooth; the length of the predicted motion depends on the action sequence and varies significantly across samples. As we cannot realistically expect training data to cover sufficiently diverse action transitions and motion lengths, we propose an effective training strategy consisting of combining multiple motions from different actions and introducing a weak form of supervision to encourage smooth transitions. We then design a VAE-based model conditioned on both the observed motion and the action label sequence, allowing us to generate multiple plausible future motions of varying length. We illustrate the generality of our approach by exploring its use with two different temporal encoding models, namely RNNs and Transformers. Our approach outperforms baseline models constructed by adapting state-of-the-art single action-conditioned motion generation methods and stochastic human motion prediction approaches to our new task of action-driven stochastic motion prediction. Our code is available at https://github.com/wei-mao-2019/WAT.
• Abstract（参考訳）: 動作ラベルと短い動作履歴を列挙して複数の可視な将来の動作を予測することを目的とした,行動駆動型確率的人間の動作予測の課題を紹介する。 これは、特定のアクションカテゴリを尊重しない、または単一のアクションラベルに従う動作を予測する既存の作品とは異なる。 特に、このタスクに対処するには2つの課題に取り組む必要がある: 異なるアクション間の遷移は滑らかでなければならない; 予測された動きの長さはアクションシーケンスに依存し、サンプル間で大きく異なる。 様々な動作遷移と動作長を十分にカバーするトレーニングデータを現実的に期待することはできないため,異なる動作からの複数の動作を結合し,円滑な遷移を促すための弱い監督形態を導入することで,効果的なトレーニング戦略を提案する。 次に、観測された動きとアクションラベルシーケンスの両方を条件としたVAEモデルを作成し、様々な長さの複数の可視な将来の動きを生成する。 本稿では、RNNとTransformersという2つの異なる時間符号化モデルを用いて、このアプローチの汎用性を考察する。 本手法は,最先端の単一動作条件動生成法と確率的人間の動き予測手法を,新たな行動駆動確率運動予測タスクに適用して構築したベースラインモデルを上回るものである。 私たちのコードはhttps://github.com/wei-mao-2019/watで利用可能です。

関連論文リスト

• Orientation-Aware Leg Movement Learning for Action-Driven Human Motion Prediction [7.150292351809277]
  行動駆動型人間の動き予測は、観察されたシーケンスに基づいて将来の人間の動きを予測することを目的としている。 複数のアクションラベル間のスムーズで現実的な遷移をモデル化する必要がある。 1つのデータセット上でトレーニングした中間学習モデルを、2つの目に見えない大規模な動きデータセットに一般化し、自然な遷移を生成する。
  論文  参考訳（メタデータ） (2023-10-23T13:16:51Z)
• DiverseMotion: Towards Diverse Human Motion Generation via Discrete Diffusion [70.33381660741861]
  テキスト記述に基づく高品質な人間の動作を合成するための新しいアプローチであるDiverseMotionを提案する。 我々のDiverseMotionは、最先端のモーション品質と競争力の多様性を達成できることを示す。
  論文  参考訳（メタデータ） (2023-09-04T05:43:48Z)
• Motion In-Betweening with Phase Manifolds [29.673541655825332]
  本稿では,周期的オートエンコーダによって学習された位相変数を利用して,文字のターゲットポーズに到達するための,新たなデータ駆動型動作制御システムを提案する。 提案手法では,経験的ニューラルネットワークモデルを用いて,空間と時間の両方のクラスタの動きを,異なる専門家の重みで解析する。
  論文  参考訳（メタデータ） (2023-08-24T12:56:39Z)
• Learning Snippet-to-Motion Progression for Skeleton-based Human Motion Prediction [14.988322340164391]
  人間の動きを予測するために既存のグラフ畳み込みネットワークは、主にワンステップのスキームを採用している。 人間の動きはトランジションパターンを持ち、各トランジションを表すスニペットに分割することができる。 動作予測をサブタスクに分割するスニペット・ツー・モーション・マルチステージ・フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-26T07:36:38Z)
• HumanMAC: Masked Motion Completion for Human Motion Prediction [62.279925754717674]
  人間の動き予測はコンピュータビジョンとコンピュータグラフィックスの古典的な問題である。 従来の効果はエンコーディング・デコード方式に基づく経験的性能を実現している。 本稿では,新しい視点から新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2023-02-07T18:34:59Z)
• Executing your Commands via Motion Diffusion in Latent Space [51.64652463205012]
  本研究では,動作遅延に基づく拡散モデル(MLD)を提案し,条件付き入力に対応する鮮明な動き列を生成する。 我々のMDDは、広範囲な人体運動生成タスクにおいて、最先端の手法よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2022-12-08T03:07:00Z)
• Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
  運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。 我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。 スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
  論文  参考訳（メタデータ） (2022-03-25T16:59:08Z)
• 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)

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。