論文の概要: Biologically-Inspired Continual Learning of Human Motion Sequences

• arxiv url: http://arxiv.org/abs/2211.05231v1
• Date: Wed, 2 Nov 2022 17:58:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-13 23:21:37.873542
• Title: Biologically-Inspired Continual Learning of Human Motion Sequences
• Title（参考訳）: 生物学的にインスパイアされた人間の動きの連続学習
• Authors: Joachim Ott and Shih-Chii Liu
• Abstract要約: 本稿では,モデルが異なるクラスの動作シーケンスを生成する,連続学習世代(CL2Gen)のシナリオについて検討する。 ヒトの動作データセットにおけるBI-CTVAEの最終的な分類精度は、すべてのアクションクラスを逐次学習した後の78%であり、これはノンプレイよりも63%高く、最先端のオフライン訓練GRUモデルよりも5.4%低い。
• 参考スコア（独自算出の注目度）: 13.47462920292399
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work proposes a model for continual learning on tasks involving temporal sequences, specifically, human motions. It improves on a recently proposed brain-inspired replay model (BI-R) by building a biologically-inspired conditional temporal variational autoencoder (BI-CTVAE), which instantiates a latent mixture-of-Gaussians for class representation. We investigate a novel continual-learning-to-generate (CL2Gen) scenario where the model generates motion sequences of different classes. The generative accuracy of the model is tested over a set of tasks. The final classification accuracy of BI-CTVAE on a human motion dataset after sequentially learning all action classes is 78%, which is 63% higher than using no-replay, and only 5.4% lower than a state-of-the-art offline trained GRU model.
• Abstract（参考訳）: 本研究は、時間的シーケンス、特に人間の動きを含むタスクの連続学習モデルを提案する。 最近提案された脳誘発リプレイモデル(BI-R)の改良は、生物学的にインスパイアされた条件付き時間変動オートエンコーダ(BI-CTVAE)を構築し、クラス表現のために潜時混合をインスタンス化する。 本稿では,モデルが異なるクラスの動作シーケンスを生成する,連続学習生成(CL2Gen)シナリオについて検討する。 モデルの生成精度は一連のタスクでテストされます。 ヒトの動作データセットにおけるBI-CTVAEの最終的な分類精度は、すべてのアクションクラスを逐次学習した後の78%であり、これはノンプレイよりも63%高く、最先端のオフライン訓練GRUモデルよりも5.4%低い。

関連論文リスト

• Learning to Jump: Thinning and Thickening Latent Counts for Generative Modeling [69.60713300418467]
  ジャンプの学習は、様々な種類のデータの生成モデリングのための一般的なレシピである。 ジャンプの学習が、デノゼの学習と相容れないパフォーマンスを期待される場合と、より良いパフォーマンスを期待される場合を実証する。
  論文  参考訳（メタデータ） (2023-05-28T05:38:28Z)
• From Motion to Muscle [0.0]
  筋活動は, 位置, 速度, 加速度などの運動特徴に基づいて人工的に生成できることを示す。 このモデルは、以前に訓練された運動に対して顕著な精度を達成し、これまで訓練されていない新しい運動に対して非常に高い精度を維持している。
  論文  参考訳（メタデータ） (2022-01-27T13:30:17Z)
• STAR: Sparse Transformer-based Action Recognition [61.490243467748314]
  本研究は,空間的次元と時間的次元に細かな注意を払っている新しいスケルトンに基づく人間行動認識モデルを提案する。 実験により、トレーニング可能なパラメータをはるかに少なくし、トレーニングや推論の高速化を図りながら、モデルが同等のパフォーマンスを達成できることが示されている。
  論文  参考訳（メタデータ） (2021-07-15T02:53:11Z)
• Conditional Neural Relational Inference for Interacting Systems [58.141087282927415]
  我々は、類似しているが異なる相互作用するオブジェクトのグループのダイナミクスをモデル化することを学ぶ。 ベクトル記述から任意の群から条件生成が可能なモデルを開発する。 我々は,ヒト歩行のモデル化と,特に病理的ヒト歩行のモデル化におけるモデルの評価を行った。
  論文  参考訳（メタデータ） (2021-06-21T13:05:48Z)
• Multi-level Motion Attention for Human Motion Prediction [132.29963836262394]
  本研究は, 関節, 身体部分, フルポーズレベルなど, 異なる種類の注意力の使用について検討した。 我々は,Human3.6M,AMASS,3DPWを用いて,周期的および非周期的両方の行動に対するアプローチの利点を検証した。
  論文  参考訳（メタデータ） (2021-06-17T08:08:11Z)
• 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)
• Deep Generative Modelling of Human Reach-and-Place Action [15.38392014421915]
  始終位置と終端位置を条件とした人間のリーチ・アンド・プレイス行動の深層生成モデルを提案する。 我々は、このような人間の3Dアクション600のデータセットを取得し、3Dソースとターゲットの2x3-D空間をサンプリングした。 我々の評価には、いくつかの改善、生成的多様性の分析、応用が含まれる。
  論文  参考訳（メタデータ） (2020-10-05T21:36:20Z)
• Deep learning-based computer vision to recognize and classify suturing gestures in robot-assisted surgery [9.248851083946048]
  我々は深層学習に基づくコンピュータビジョン(CV)を訓練し、針駆動の試みのための縫合ジェスチャーの識別と分類を自動化する。 以上の結果から,縫合動作を識別できるだけでなく,縫合動作の異なる分類を区別できる特徴をCVが認識できることが示唆された。
  論文  参考訳（メタデータ） (2020-08-26T21:45:04Z)
• 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)
• Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
  本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。 これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。 この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2020-02-21T05:00:01Z)

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。