元学习驱动的少帧人体运动预测：提升小样本下的预测性能
39 浏览量
更新于2024-06-20
收藏 1.37MB PDF 举报
"基于元学习的人体运动预测"是一项前沿的计算机视觉和机器人技术研究，旨在解决一个长期存在的挑战——在只有微小历史3D骨骼序列的情况下预测人体运动。传统的运动预测算法往往依赖大量的标注运动捕捉数据，对于新的动作适应性较差。文章探讨了少镜头学习和元学习在解决这一问题中的潜力，强调了从少量示例中获得广泛泛化能力的关键在于通用的初始模型和适应新任务的有效策略。
作者李安燕桂、余喜旺、德韦拉拉曼南和José M.F. Moura提出了一种创新的方法——主动和自适应元学习（PAML）。PAML的核心在于构建一个集成的、端到端的框架，融合了元学习的未知模型组合和模型回归网络。通过这种方式，PAML元学习器能够通过聚合来自多个预测任务的上下文信息，生成一个通用的初始模型。同时，它还利用了学习如何将少镜头模型参数转换为多镜头模型参数的知识，以便在遇到特定任务时高效地调整模型，使其适应新的动作预测。
这种技术的优势在于能够在小样本规模下显著提升对高度标准化的H3.6M数据集的预测性能。PAML预测器的成功展示了元学习如何帮助机器人和人工智能系统模仿人类的预测能力，从而促进无缝人机交互和协作，这对于未来在自然环境中的机器人应用具有重要意义。
关键词集中在人体运动预测、少镜头学习和元学习上，这三项技术共同推动了人工智能在理解人类行为和动态环境中的进步。通过结合这些方法，研究者们朝着更自然、灵活的机器与人类互动迈出了关键一步。"
基于元学习的少镜头人体运动预测
5
^
u
^
^
通过考虑这两个方面，并展示它们如何在端到端的元学习框架中相互补充，从
而获得统一的视图。
我们的方法也
是通用的，也可以应用于其他任务。
3
主动和自适应元学习
现在，我们提出了我们的元学习框架，用于少量人体运动预测。预测器（i。
例
如
，学习器）是一种递归的编码器
-
解码器网络，其将运动预测框定为序列到序
列问题。为了使预测器能够从针对新任务的仅几个训练序列快速地产生令人满
意的预测（
即
，
例如
，行动类），我们引入主动和自适应元学习（
PAML
）。
通过从已知动作类的大量少量预测任务集合中进行元学习，PAML联合学习通
用模型初始化和有效的模型自适应策略。
3.1
用于人体运动预测的元学习设置
人体运动通常表示为顺序数据。给定历史运动序列，我们预测短期或长期未来
可能的运动。在
少镜头运动预测
中，我们的目标是训练一个预测模型，该模型
可以仅使用少量训练序列快速适应新任务为了实现
这一目标，我们引入了一种
元
学习机制
，将整个预测任务
视为训练示例。在元学习期间，预测器在由
高级元学
习器
引导的一组预测任务上进行训练，使得经训练的预测器可以实现期望的少
量自适应能力。
预测器（i。
例如
，学习者），由参数化函数P
θ
表示，其中
参数
θ
，将输入历史序列
X
映射到输出未来序列
Y.
我们将长度为
η
的输入运动序列
表示
为
x
1
，
x
2
，
. . .
，
x
n
Σ
，
其中
xi
∈
Rd
，
i
=
1
，
. . .
，
n是由一组
3D
身体关节角度组成的
mocap
向量
[35]
，
d
是关
节角度的数量。学习者预测
f
ur
ese
Y
=
.
xn
+
1
、
xn
+
2
、
. . .
，
xn
+
m
∈
x
，
其中
x
j
∈
Rd
，
j
=
n
+
1
，
. . .
，
n
+
m是在第
j
个时间步的预测的
MOCAP
向量。四
个方
程的矩阵被定义
为
Ygt
=
。
xn
+
1
、
xn
+
2
、
. . .
，
xn
+
m
Σ
。
在元学习中，我们感兴趣的是训练一个
学习过程
（
即
。
例如
，
元学习器），其使得预测器模型能够适应大量的
预测任务。 对于第
k
个
镜头预
测任务，每个任务T
=
{L
，
D
训练
，
D
测试
}
目标是从几个（
k
）例子中预测某个动作 它由损失
函数
L
、小训练集
D
train
=
.
X
u
，
Y
gt
ΣΣ
，
u
=
1
，
. . .
，
k
具有
k
动作
-
特定的过去和未来序列对，以及具有设定编号的测试集
D
测试
用于评估的过去和未来序列对逐帧欧几里德距离通常用作运动预测的损失函数L
对于每个任务，元 学 习器将
D
训 练
作为输入并产生预 测 器（
即
，
例如
，学习
者），其在其对应的D
测试
上实现高平均预测性能。
更准确地说，我们考虑预测任务上的分布p（T），我们希望我们的预测器
能够适应。元学习算法有两个
剩余22页未读，继续阅读
2021-02-06 上传
2022-01-25 上传
2024-02-15 上传
2021-09-19 上传
2008-04-29 上传
2019-08-12 上传
2021-08-19 上传
点击了解资源详情
cpongm
- 粉丝: 5
- 资源: 2万+
我的内容管理
展开
最新资源
- Elasticsearch核心改进：实现Translog与索引线程分离
- 分享个人Vim与Git配置文件管理经验
- 文本动画新体验：textillate插件功能介绍
- Python图像处理库Pillow 2.5.2版本发布
- DeepClassifier：简化文本分类任务的深度学习库
- Java领域恩舒技术深度解析
- 渲染jquery-mentions的markdown-it-jquery-mention插件
- CompbuildREDUX：探索Minecraft的现实主义纹理包
- Nest框架的入门教程与部署指南
- Slack黑暗主题脚本教程：简易安装指南
- JavaScript开发进阶：探索develop-it-master项目
- SafeStbImageSharp：提升安全性与代码重构的图像处理库
- Python图像处理库Pillow 2.5.0版本发布
- mytest仓库功能测试与HTML实践
- MATLAB与Python对比分析——cw-09-jareod源代码探究
- KeyGenerator工具：自动化部署节点密钥生成
