論文の概要: Stochastic Human Motion Prediction with Memory of Action Transition and Action Characteristic

• arxiv url: http://arxiv.org/abs/2507.04062v1
• Date: Sat, 05 Jul 2025 14:57:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.99945
• Title: Stochastic Human Motion Prediction with Memory of Action Transition and Action Characteristic
• Title（参考訳）: 行動遷移と行動特性を記憶した確率的人間の動作予測
• Authors: Jianwei Tang, Hong Yang, Tengyue Chen, Jian-Fang Hu,
• Abstract要約: アクション駆動型人間の動き予測は、事前に定義された標的行動の将来の動きシーケンスを生成することを目的としている。 異なる動作の異なる遷移速度のために 滑らかな遷移運動を生成することは 難しい。 動作の特徴は、いくつかの動作の類似性のため、学習が困難である。
• 参考スコア（独自算出の注目度）: 16.924373259722092
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Action-driven stochastic human motion prediction aims to generate future motion sequences of a pre-defined target action based on given past observed sequences performing non-target actions. This task primarily presents two challenges. Firstly, generating smooth transition motions is hard due to the varying transition speeds of different actions. Secondly, the action characteristic is difficult to be learned because of the similarity of some actions. These issues cause the predicted results to be unreasonable and inconsistent. As a result, we propose two memory banks, the Soft-transition Action Bank (STAB) and Action Characteristic Bank (ACB), to tackle the problems above. The STAB stores the action transition information. It is equipped with the novel soft searching approach, which encourages the model to focus on multiple possible action categories of observed motions. The ACB records action characteristic, which produces more prior information for predicting certain actions. To fuse the features retrieved from the two banks better, we further propose the Adaptive Attention Adjustment (AAA) strategy. Extensive experiments on four motion prediction datasets demonstrate that our approach consistently outperforms the previous state-of-the-art. The demo and code are available at https://hyqlat.github.io/STABACB.github.io/.
• Abstract（参考訳）: 行動駆動型確率的人間の動き予測は、予め定義された標的行動の将来の動きシーケンスを生成することを目的としている。 この課題は主に2つの課題を提起する。 第一に、異なる動作の異なる遷移速度のため、滑らかな遷移運動を生成することは困難である。 第二に、いくつかの動作の類似性のため、動作特性の学習が困難である。 これらの問題は、予測された結果が不合理で矛盾する原因となる。 その結果、上記の問題に対処するため、Soft-transition Action Bank(STAB)とAction Characteristics Bank(ACB)の2つの記憶バンクを提案する。 STABは、アクション遷移情報を記憶する。 これは新しいソフトサーチ手法を備えており、観測された動作の複数のアクションカテゴリに焦点を合わせることを奨励する。 ACBはアクション特性を記録し、特定のアクションを予測するためにより事前の情報を生成する。 さらに,2つの銀行から回収した特徴を融合させるため,アダプティブ・アテンション・アジャイメント・アジャイメント(AAA)戦略を提案する。 4つの動き予測データセットに対する大規模な実験は、我々のアプローチが従来よりも一貫して優れていることを示している。 デモとコードはhttps://hyqlat.github.io/STABACB.github.io/で公開されている。

関連論文リスト

• Bidirectional Decoding: Improving Action Chunking via Guided Test-Time Sampling [51.38330727868982]
  動作チャンキングが学習者と実証者の間の分岐にどのように影響するかを示す。 動作チャンキングをクローズドループ適応でブリッジするテスト時間推論アルゴリズムである双方向デコーディング(BID)を提案する。 提案手法は、7つのシミュレーションベンチマークと2つの実世界のタスクにまたがって、最先端の2つの生成ポリシーの性能を向上させる。
  論文  参考訳（メタデータ） (2024-08-30T15:39:34Z)
• 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)
• 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)
• Weakly-supervised Action Transition Learning for Stochastic Human Motion Prediction [81.94175022575966]
  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。
  論文  参考訳（メタデータ） (2022-05-31T08:38:07Z)

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。