[ad_1]
Analisis perilaku manusia melalui kerangka-Data berbasis banyak digunakan saat ini. Namun, metode yang ada terbatas dalam mengkondisikan tindakan yang diinginkan dan mempertimbangkan generasi di tingkat pergerakan global.
Sebuah makalah baru-baru ini mengusulkan Jaringan Konvolusi Grafik Perlawanan Generatif untuk mengatasi keterbatasan yang ada.
Jaringan konvolusi grafik permusuhan generatif dapat digunakan untuk menganalisis perilaku manusia melalui data berbasis kerangka. Kredit gambar: Pxfuel, lisensi gratis
Ini menggabungkan keuntungan dari GAN dan Jaringan Konvolusi Grafik. Urutan tindakan manusia yang dikondisikan secara langsung dihasilkan dari ruang laten sambil mempertahankan hubungan jangka panjang antar bingkai. Konvolusi grafik spatiotemporal digunakan untuk memodelkan data kerangka alih-alih menyusunnya secara manual sebagai urutan vektor koordinat.
Arsitektur yang diusulkan dapat diperluas ke model bersyarat, menghasilkan hingga 120 tindakan yang berbeda. Eksperimen ekstensif mengonfirmasi bahwa model yang disarankan melebihi kinerja mutakhir dengan selisih yang signifikan.
Mensintesis dinamika spasial dan temporal kerangka tubuh manusia tetap menjadi tugas yang menantang, tidak hanya dalam hal kualitas bentuk yang dihasilkan, tetapi juga keragamannya, terutama untuk mensintesis gerakan tubuh yang realistis dari tindakan tertentu (pengkondisian aksi). Dalam makalah ini, kami mengusulkan Kinetic-GAN, arsitektur baru yang memanfaatkan manfaat Generative Adversarial Networks dan Graph Convolutional Networks untuk mensintesis kinetika tubuh manusia. Arsitektur permusuhan yang diusulkan dapat mengkondisikan hingga 120 tindakan berbeda atas gerakan tubuh lokal dan global sambil meningkatkan kualitas dan keragaman sampel melalui penguraian ruang laten dan variasi stokastik. Eksperimen kami dilakukan di tiga kumpulan data terkenal, di mana Kinetic-GAN sangat melampaui metode tercanggih dalam hal metrik kualitas distribusi sementara memiliki kemampuan untuk mensintesis lebih dari satu urutan besarnya mengenai jumlah yang berbeda tindakan. Kode dan model kami tersedia untuk umum di ini https URL.
Makalah penelitian: Degardin, B., Neves, J., Lopes, V., Brito, J., Yaghoubi, E., dan Proença, H., “Generative Adversarial Graph Convolutional Networks for Human Action Synthesis”, 2021. Tautan: https://arxiv.org/abs/2110.11191
[ad_2]
