.png){kind=icon}
返回
Human motion prediction using knowledge distillation with incremental learning
.png){kind=icon}
PRE
AI
DOI：10.1007/s10044-026-01703-1.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
人体运动预测传统上集中于时空建模和网络架构开发，对信息流的传输与处理探索相对有限。增量学习作为一种有前景的方向，旨在通过更细粒度的输入减少噪声干扰并捕捉更深层次特征。图卷积网络（GCN）的架构特别适合此任务，因其能有效捕捉人体运动的时空特性，为研究开辟新途径。GCN擅长建模人体运动数据中固有的复杂时空关系，使其非常适合融入先进学习技术。本文提出一种新颖的时空GCN，结合了通过知识蒸馏技术增强的增量学习。这种组合使模型能重构运动数据，提升特征融合并有效降低噪声干扰。此外，引入了一种创新输入平滑技术预处理运动数据，以应对原始数据固有的变异性和噪声。此类预处理确保更可靠的输入，从而增强预测的鲁棒性和准确性。采用平均关节位置误差（MPJPE）评估，该模型展现出比当前最先进方法更优的精度。
Keyword:
Human motion prediction
Incremental Learning
Knowledge distillation
Graph Convolutional Network
期刊
IF:
2
论文数:
1.9K
被引数:
1.9K
机构
引用论文
End-to-End Real-Time Vanishing Point Detection with Transformer童晓鹏、彭思、郭宇、黄晓; 基于Transformer的端到端实时消失点检测. 在AAAI人工智能会议 proceedings; AAAI出版社: 华盛顿特区, 美国, 2024; 第38卷, 第5243-5251页. [谷歌学术] [CrossRef]
PREAI
分享收藏KD-Former: Kinematic and dynamic coupled transformer network for 3D human motion prediction.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏Direct may not be the best: An incremental evolution view of pose generation直接生成可能并非最佳：姿态生成的渐进式进化视角
IF0
PREAI
分享收藏
查看更多内容