本文提出了一种用于未来预测的对抗性生成语法模型。目标是学习一个显性捕获时间依赖性的模型,提供预测多个不同的未来活动的能力。我们的对抗式语法的设计是为了使它可以从数据分布中学习随机产生规则,连同它的潜在的非终表示。在推理过程中能够选择多个生产规则,从而产生不同的预测结果,从而有效地建模许多可能的未来。对抗生成语法语法在Charades、MultiTHUMOS、human360万和50个沙拉数据集以及两个活动预测任务(未来3D人类姿态预测和未来活动预测)上进行评估。提出的对抗式语法比最先进的方法更好,能够比以前的工作更准确地预测未来。

https://arxiv.org/abs/2008.04888

成为VIP会员查看完整内容
4

相关内容

专知会员服务
12+阅读 · 2020年9月19日
【ECCV2020】OCRNet化解语义分割上下文信息缺失难题
专知会员服务
16+阅读 · 2020年8月24日
【ICML2020-浙江大学】对抗性互信息的文本生成
专知会员服务
43+阅读 · 2020年7月4日
【CVPR2020-Oral】用于深度网络的任务感知超参数
专知会员服务
25+阅读 · 2020年5月25日
【泡泡点云时空】基于分割方法的物体六维姿态估计
泡泡机器人SLAM
18+阅读 · 2019年9月15日
论文浅尝 | 时序与因果关系联合推理
开放知识图谱
35+阅读 · 2019年6月23日
CVPR 2019 Oral 论文解读 | 无监督域适应语义分割
AI科技评论
49+阅读 · 2019年5月29日
【学界】CVPR 2019 Oral | 华科开源效果超群的人体姿态迁移算法
GAN生成式对抗网络
22+阅读 · 2019年4月27日
Inferred successor maps for better transfer learning
DPOD: Dense 6D Pose Object Detector in RGB images
Arxiv
5+阅读 · 2019年2月28日
Arxiv
11+阅读 · 2018年4月8日
Arxiv
3+阅读 · 2018年3月5日
Arxiv
5+阅读 · 2018年2月26日
VIP会员
微信扫码咨询专知VIP会员