論文の概要: DeFeeNet: Consecutive 3D Human Motion Prediction with Deviation Feedback
- arxiv url: http://arxiv.org/abs/2304.04496v1
- Date: Mon, 10 Apr 2023 10:18:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-11 15:29:19.810966
- Title: DeFeeNet: Consecutive 3D Human Motion Prediction with Deviation Feedback
- Title（参考訳）: DeFeeNet: 偏差フィードバックによる3次元人間の動作予測
- Authors: Xiaoning Sun, Huaijiang Sun, Bin Li, Dong Wei, Weiqing Li, Jianfeng Lu
- Abstract要約: 既存のワンオフ予測モデルに付加可能な,シンプルで効果的なネットワークであるDeFeeNetを提案する。
提案するネットワークは,基本モデルによらず連続的な人間の動作予測性能を向上させる。
- 参考スコア（独自算出の注目度）: 23.687223152464988
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Let us rethink the real-world scenarios that require human motion prediction
techniques, such as human-robot collaboration. Current works simplify the task
of predicting human motions into a one-off process of forecasting a short
future sequence (usually no longer than 1 second) based on a historical
observed one. However, such simplification may fail to meet practical needs due
to the neglect of the fact that motion prediction in real applications is not
an isolated ``observe then predict'' unit, but a consecutive process composed
of many rounds of such unit, semi-overlapped along the entire sequence. As time
goes on, the predicted part of previous round has its corresponding ground
truth observable in the new round, but their deviation in-between is neither
exploited nor able to be captured by existing isolated learning fashion. In
this paper, we propose DeFeeNet, a simple yet effective network that can be
added on existing one-off prediction models to realize deviation perception and
feedback when applied to consecutive motion prediction task. At each prediction
round, the deviation generated by previous unit is first encoded by our
DeFeeNet, and then incorporated into the existing predictor to enable a
deviation-aware prediction manner, which, for the first time, allows for
information transmit across adjacent prediction units. We design two versions
of DeFeeNet as MLP-based and GRU-based, respectively. On Human3.6M and more
complicated BABEL, experimental results indicate that our proposed network
improves consecutive human motion prediction performance regardless of the
basic model.
- Abstract（参考訳）: 人間とロボットのコラボレーションのような人間の動きを予測する技術を必要とする現実のシナリオを再考しよう。
現在の作業は、人間の動きを予測するタスクを、歴史的に観察されたものに基づいて、短い将来のシーケンス(通常は1秒以内)を予測するワンオフプロセスに単純化する。
しかし、実際のアプリケーションでの動作予測が分離された`observe then predict''ユニットではなく、半オーバーラップされた多数のラウンドからなる連続したプロセスであるという事実が無視されているため、そのような単純化は実用的なニーズを満たさないかもしれない。
時が経つにつれ、前回のラウンドの予測された部分は、新しいラウンドでそれに対応する真実を観測できるが、それらの間の偏差は利用されず、既存の独立した学習方法によって捉えられることはない。
本稿では,既存のワンオフ予測モデルに付加して,連続動作予測タスクに適用した場合の偏差知覚とフィードバックを実現する,シンプルで効果的なネットワークであるDeFeeNetを提案する。
各予測ラウンドにおいて、前回のユニットが生成した偏差をまずdefeenetで符号化し、その後、既存の予測器に組み込んで偏差認識予測方法を可能にします。
defeenet の2つのバージョンをそれぞれ mlp ベースと gru ベースとして設計した。
ヒト3.6mおよびより複雑なバベルにおいて,提案ネットワークが基本モデルによらず連続動作予測性能を向上させることを実験的に示した。
関連論文リスト
- Sparse Prototype Network for Explainable Pedestrian Behavior Prediction [60.80524827122901]
Sparse Prototype Network (SPN) は,歩行者の将来の行動,軌道,ポーズを同時に予測するための説明可能な手法である。
モノセマンティリティとクラスタリングの制約によって規則化されたプロトタイプは、一貫性と人間の理解可能な機能を学ぶ。
論文 参考訳（メタデータ） (2024-10-16T03:33:40Z) - Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳（メタデータ） (2023-10-09T18:34:29Z) - 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) - Overlooked Poses Actually Make Sense: Distilling Privileged Knowledge
for Human Motion Prediction [26.25110973770013]
人間の動作予測に関するこれまでの研究は、観測されたシーケンスと予測されるシーケンスの間のマッピング関係を構築するパターンに従っている。
本稿では,従来見過ごされていた人間のポーズを導入し,予測タスクを実装した新しい予測パターンを提案する。
これらのポーズは予測シーケンスの後に存在し、特権シーケンスを形成する。
論文 参考訳（メタデータ） (2022-08-02T08:13:43Z) - Uncertainty estimation of pedestrian future trajectory using Bayesian
approximation [137.00426219455116]
動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。
著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。
将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
論文 参考訳（メタデータ） (2022-05-04T04:23:38Z) - Semantic Prediction: Which One Should Come First, Recognition or
Prediction? [21.466783934830925]
下流の主なタスクの1つは、シーンのセマンティックな構成を解釈し、意思決定にそれを使用することである。
事前学習されたビデオ予測と事前学習された意味抽出モデルを考えると、同じ結果を得るための主な方法は2つある。
ビデオ予測モデルとしてLFDTN(Local Frequency Domain Transformer Network)と,合成データセットと実データセットのセマンティック抽出モデルとしてU-Netを用いて,これらの構成について検討する。
論文 参考訳（メタデータ） (2021-10-06T15:01:05Z) - Learning to Predict Trustworthiness with Steep Slope Loss [69.40817968905495]
本研究では,現実の大規模データセットにおける信頼性の予測問題について検討する。
我々は、先行技術損失関数で訓練された信頼性予測器が、正しい予測と誤った予測の両方を信頼に値するものとみなす傾向があることを観察する。
そこで我々は,2つのスライド状の曲線による不正確な予測から,特徴w.r.t.正しい予測を分離する,新たな急勾配損失を提案する。
論文 参考訳（メタデータ） (2021-09-30T19:19:09Z) - Adversarial Refinement Network for Human Motion Prediction [61.50462663314644]
リカレントニューラルネットワークとフィードフォワードディープネットワークという2つの一般的な手法は、粗い動きの傾向を予測することができる。
本稿では,新たな逆誤差増大を伴う簡易かつ効果的な粗大きめ機構に従えば,ARNet(Adversarial Refinement Network)を提案する。
論文 参考訳（メタデータ） (2020-11-23T05:42:20Z) - TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。
TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。
4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
論文 参考訳（メタデータ） (2020-04-26T00:01:49Z) - Reciprocal Learning Networks for Human Trajectory Prediction [31.390399065230017]
我々は、人間の軌道予測のための相互学習と呼ばれる新しいアプローチを開発する。
我々は、ネットワークの入力を所定のあるいは強制的なネットワーク出力に合わせるように反復的に変更するディープニューラルネットワークの敵攻撃の概念を借用する。
我々の新しい手法は、人間の軌道予測における最先端の手法よりも優れている。
論文 参考訳（メタデータ） (2020-04-09T02:50:29Z)
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。