抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
入力画像の時間的に順序付けされた集合から将来の運動シーケンスを合成する問題を目標とした。これまでの方法は,この問題を2つの方法で取り組んだ:将来の画像画素値を予測し,画素の密な時間空間軌道を予測する。この目的のために,生成符号器-復号器ネットワークは,両方の種類の方法で広く採用されている。しかし,これらのネットワークによる画素予測は,画像がスクラッチから生成されるので,ぼけ出力を受けることが示されており,視覚的コヒーレンスの明示的な強化はない。代わりに,クリスプの詳細は,高密度軌道予測を通して入力画像から画素を移すことによって達成できるが,このプロセスは訓練のための事前計算運動場を必要とし,ニューラルネットワークのための学習能力を制限する。弱い監視(事前計算された高密度運動場のない)下で物体の現実的な動きを合成するために,2つの新しいネットワーク構造を提案した。最初のネットワークは,特徴マップとして入力画像を符号化し,復号器ネットワークを用いて,一連の次の時間ステップに対する将来の画素対応を予測する。得られた対応分野を用いて将来展望を合成した。著者らの第2のネットワークは,著者らの密な対応予測を導くために,スパース姿勢推定[30]を含むために,著者らのフレームワークを強化することによって,人間中心の捕獲に焦点を合わせた。ネットワークを予測する最先端の画素生成と密な軌跡と比較して,著者らのモデルは,実世界の人体運動シーケンスだけでなく,合成に関してより良く機能した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【JST・京大機械翻訳】