基于骨架的动作预测的隐式全局网络学习

基于3D骨骼序列的人体动作表示对聚类背景和光照变化具有较强的鲁棒性。本文研究了基于骨骼的动作预测问题，旨在从包含不完整动作信息的部分骨骼序列中识别出对应动作。为此，我们提出一种基于对抗学习的新型潜在全局网络（Latent Global Network），用于动作预测。实验表明，所提出的网络能够提供与部分序列局部动作信息互补的潜在长期全局信息，有助于提升动作预测性能。我们进一步验证了将潜在全局信息与局部动作信息相结合，可有效改善动作预测效果。在三个具有挑战性的骨骼数据集上进行的实验表明，所提出方法取得了当前最优的性能表现。