A funcionalidade de pesquisa está em construção.
A funcionalidade de pesquisa está em construção.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Regressive Gaussian Process Latent Variable Model for Few-Frame Human Motion Prediction Modelo de variável latente de processo gaussiano regressivo para previsão de movimento humano em poucos quadros

Xin JIN, Jia GUO

  • Exibições de texto completo

    0

  • Cite isto

Resumo:

A previsão do movimento humano sempre foi um tópico de pesquisa interessante em visão computacional e robótica. Significa prever movimentos humanos no futuro condicionados a sequências históricas tridimensionais do esqueleto humano. Os algoritmos de previsão existentes geralmente dependem de extensos dados de captura de movimento anotados ou não anotados e não são adaptativos. Este artigo aborda o problema da previsão do movimento humano em poucos quadros, no espírito do recente progresso na aprendizagem múltipla. Mais precisamente, a nossa abordagem baseia-se na percepção de que alcançar uma previsão precisa depende de uma expressão suficientemente linear no espaço latente a partir de alguns dados de treino no espaço de observação. Para conseguir isso, propomos o Modelo de Variável Latente do Processo Gaussiano Regressivo (RGPLVM) que introduz uma nova função de kernel regressiva para o treinamento do modelo. Ao fazer isso, nosso modelo produz um mapeamento linear do espaço de dados de treinamento para o espaço latente, ao mesmo tempo que transforma efetivamente a previsão do movimento humano no espaço físico para a análise de regressão linear no equivalente do espaço latente. A comparação com duas abordagens de aprendizagem de predição de movimento (a meta-aprendizagem de última geração e o clássico LSTM-3LR) demonstra que nosso GPLVM melhora significativamente o desempenho de predição em várias ações no regime de tamanho de amostra pequeno.

Publicação
IEICE TRANSACTIONS on Information Vol.E106-D No.10 pp.1621-1626
Data de publicação
2023/10/01
Publicitada
2023/05/23
ISSN online
1745-1361
DOI
10.1587/transinf.2023PCP0001
Tipo de Manuscrito
Special Section PAPER (Special Section on Picture Coding and Image Media Processing)
Categoria

autores

Xin JIN
  Nanjing University of Science and Technology
Jia GUO
  Georgia Institute of Technology

Palavra-chave