Meta-Auxiliary Learning for Adaptive Human Pose Prediction

要約

タイトル: メタ補助学習による適応的な人物姿勢予測
要約:
– ロボットが人間と効果的にやり取りするために、履歴的に観測されたシーケンスから高品質な将来の人物姿勢を予測することが重要である。
– 深層学習によるエンドツーエンドのアプローチは、一般的に外部データセットでの汎用的な事前学習モデルを学習し、すべてのテストサンプルに直接適用することで、この問題を解決するための主要なソリューションとして台頭している。
-しかし、個々のシーケンスの独自の特性（たとえば、動きのスタイル、リズム）には適応できないため、非最適解のままである。
– 一般的に、テスト時間に未知のモーションカテゴリー（分布外）に遭遇すると、予測された姿勢は信頼性が低くなります。
– この観察から出発し、我々は、二つの自己教師付き補助タスクを活用して、主な予測ネットワークがテストシーケンスに適応するための新しいテスト時間適応フレームワークを提案する。
– テストフェーズでは、私たちのモデルは、複数の勾配更新によってモデルパラメータを調整し、生成品質を改善することができます。
– ただし、壊滅的な忘却のため、両方の補助タスクは通常、期待される正のインセンティブを自動的に示す能力が低くなります。
– このため、メタ補助学習スキームを提案し、適応性を向上させます。
– 一般的なセットアップにおいて、私たちのアプローチは高い精度を得て、外部分布データ（未知の被験者およびカテゴリー）に関する二つの新しい実験設計において、重要な改善を達成しています。

要約(オリジナル)

Predicting high-fidelity future human poses, from a historically observed sequence, is decisive for intelligent robots to interact with humans. Deep end-to-end learning approaches, which typically train a generic pre-trained model on external datasets and then directly apply it to all test samples, emerge as the dominant solution to solve this issue. Despite encouraging progress, they remain non-optimal, as the unique properties (e.g., motion style, rhythm) of a specific sequence cannot be adapted. More generally, at test-time, once encountering unseen motion categories (out-of-distribution), the predicted poses tend to be unreliable. Motivated by this observation, we propose a novel test-time adaptation framework that leverages two self-supervised auxiliary tasks to help the primary forecasting network adapt to the test sequence. In the testing phase, our model can adjust the model parameters by several gradient updates to improve the generation quality. However, due to catastrophic forgetting, both auxiliary tasks typically tend to the low ability to automatically present the desired positive incentives for the final prediction performance. For this reason, we also propose a meta-auxiliary learning scheme for better adaptation. In terms of general setup, our approach obtains higher accuracy, and under two new experimental designs for out-of-distribution data (unseen subjects and categories), achieves significant improvements.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI