論文の概要: Spatio-Temporal Multi-Subgraph GCN for 3D Human Motion Prediction

• arxiv url: http://arxiv.org/abs/2501.00317v1
• Date: Tue, 31 Dec 2024 07:22:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-05 17:15:58.043222
• Title: Spatio-Temporal Multi-Subgraph GCN for 3D Human Motion Prediction
• Title（参考訳）: 3次元動作予測のための時空間多重サブグラフGCN
• Authors: Jiexin Wang, Yiju Guo, Bing Su,
• Abstract要約: グラフ畳み込みネットワーク(GCN)は、人間の動作における関節間の関係を捉える能力において、この分野において広く注目を集めている。 複雑な動きを捉えるための時空間多時間ネットワーク(STMS-GCN)を提案する。
• 参考スコア（独自算出の注目度）: 12.766305983943314
• License:
• Abstract: Human motion prediction (HMP) involves forecasting future human motion based on historical data. Graph Convolutional Networks (GCNs) have garnered widespread attention in this field for their proficiency in capturing relationships among joints in human motion. However, existing GCN-based methods tend to focus on either temporal-domain or spatial-domain features, or they combine spatio-temporal features without fully leveraging the complementarity and cross-dependency of these two features. In this paper, we propose the Spatial-Temporal Multi-Subgraph Graph Convolutional Network (STMS-GCN) to capture complex spatio-temporal dependencies in human motion. Specifically, we decouple the modeling of temporal and spatial dependencies, enabling cross-domain knowledge transfer at multiple scales through a spatio-temporal information consistency constraint mechanism. Besides, we utilize multiple subgraphs to extract richer motion information and enhance the learning associations of diverse subgraphs through a homogeneous information constraint mechanism. Extensive experiments on the standard HMP benchmarks demonstrate the superiority of our method.
• Abstract（参考訳）: 人間の動き予測(HMP)は、過去のデータに基づいて将来の人間の動きを予測する。 グラフ畳み込みネットワーク(GCN)は、人間の動作における関節間の関係を捉える能力において、この分野において広く注目を集めている。 しかし、既存のGCNベースの手法では、時間領域と空間領域の両方に焦点をあてる傾向があり、また、これら2つの特徴の相補性と相互依存性を十分に活用することなく、時空間の特徴を組み合わせる傾向にある。 本稿では,時空間多面グラフ畳み込みネットワーク(STMS-GCN)を提案する。 具体的には、時間的および空間的依存関係のモデリングを分離し、時空間情報整合性制約機構を通じて複数の領域間の知識伝達を可能にする。 さらに,複数のサブグラフを用いてよりリッチな動作情報を抽出し,均質な情報制約機構を通じて多様なサブグラフの学習関連性を高める。 標準HMPベンチマークの大規模な実験により,本手法の優位性が確認された。

関連論文リスト

• UnityGraph: Unified Learning of Spatio-temporal features for Multi-person Motion Prediction [13.052342503276936]
  多対人動作予測は、重要な実世界の応用を持つ複雑な新興分野である。 本稿では,複数の時間的特徴を全体として扱う新しいグラフ構造UnityGraphを提案し,モデルコヒーレンスと結合時間的特徴を向上する。 提案手法は最先端の性能を達成し,その有効性と革新的な設計を実証する。
  論文  参考訳（メタデータ） (2024-11-06T08:05:36Z)
• Multi-Scale Spatial-Temporal Self-Attention Graph Convolutional Networks for Skeleton-based Action Recognition [0.0]
  本稿では,マルチスケール空間時間自己注意(MSST)-GCNという自己注意型GCNハイブリッドモデルを提案する。 適応トポロジを持つ空間自己保持モジュールを用いて、異なる身体部分間のフレーム内相互作用を理解するとともに、時間的自己保持モジュールを用いてノードのフレーム間の相関関係を調べる。
  論文  参考訳（メタデータ） (2024-04-03T10:25:45Z)
• Spatio-Temporal Branching for Motion Prediction using Motion Increments [55.68088298632865]
  HMP(Human Motion Prediction)はその多種多様な応用により、人気のある研究トピックとして浮上している。 従来の手法は手作りの機能と機械学習技術に依存している。 HMPのためのインクリメンタル情報を用いた時空間分岐ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-08-02T12:04:28Z)
• Spatial-Temporal Gating-Adjacency GCN for Human Motion Prediction [14.42671575251554]
  本稿では,多様な行動型に対する複雑な時空間依存性を学習するために,時空間ゲーティング・アジャシエイトGCNを提案する。 GAGCNは短期および長期の予測において最先端の性能を達成する。
  論文  参考訳（メタデータ） (2022-03-03T01:20:24Z)
• Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting [75.10017445699532]
  近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。 本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-25T08:45:14Z)
• Multiscale Spatio-Temporal Graph Neural Networks for 3D Skeleton-Based Motion Prediction [92.16318571149553]
  本稿では,次世代の3次元骨格型人間のポーズを予測するため,マルチスケール・テンポラルグラフニューラルネットワーク(MST-GNN)を提案する。 MST-GNNは、短期および長期の動作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） (2021-08-25T14:05:37Z)
• Spatial-Temporal Correlation and Topology Learning for Person Re-Identification in Videos [78.45050529204701]
  クロススケール空間時空間相関をモデル化し, 識別的, 堅牢な表現を追求する新しい枠組みを提案する。 CTLはCNNバックボーンとキーポイント推定器を使用して人体から意味的局所的特徴を抽出する。 グローバルな文脈情報と人体の物理的接続の両方を考慮して、多スケールグラフを構築するためのコンテキスト強化トポロジーを探求する。
  論文  参考訳（メタデータ） (2021-04-15T14:32:12Z)
• A Two-stream Neural Network for Pose-based Hand Gesture Recognition [23.50938160992517]
  近年,ポーズに基づくジェスチャー認識が広く研究されている。 本稿では,グラフ畳み込みネットワーク(sagcn)を1ストリームとする2ストリームニューラルネットワークを提案する。 残差接続強化Bi-IndRNNは、時間モデリングのための双方向処理機能を備えたIndRNNを拡張する。
  論文  参考訳（メタデータ） (2021-01-22T03:22:26Z)
• Disentangling and Unifying Graph Convolutions for Skeleton-Based Action Recognition [79.33539539956186]
  本稿では,マルチスケールグラフ畳み込みと,G3Dという空間時間グラフ畳み込み演算子を結合する簡単な方法を提案する。 これらの提案を結合することにより,MS-G3Dという強力な特徴抽出器を開発し,そのモデルが3つの大規模データセット上で従来の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-03-31T11:28:25Z)
• A Spatial-Temporal Attentive Network with Spatial Continuity for Trajectory Prediction [74.00750936752418]
  空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。 まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。 第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
  論文  参考訳（メタデータ） (2020-03-13T04:35:50Z)

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。