基于类别条件的人体动作生成模型的训练及动作生成方法技术

本发明专利技术提供一种基于类别条件的人体动作生成模型的训练及动作生成方法，其中方法包括：获取噪声样本向量序列和动作类别标签，并对动作类别标签进行编码得到类别特征向量；将噪声样本向量序列和类别特征向量进行融合，得到融合向量；将融合向量输入至噪声预处理映射网络中，得到隐藏向量序列；将隐藏向量序列输入至生成对抗模型中的生成器中得到预测人体骨架序列；基于预测人体骨架序列，以及与预测人体骨架序列动作类别相同的真实人体骨架序列对生成对抗模型进行训练，将训练完成后的生成对抗模型作为人体动作生成模型。人体动作生成模型可以实现生成数据类别准确性与生成数据质量的平衡，实现类别条件控制的人体骨架序列数据的高质量生成。

【技术实现步骤摘要】

本专利技术涉及人体动作生成，尤其涉及一种基于类别条件的人体动作生成模型的训练及动作生成方法。

技术介绍

1、人体动作生成任务一般采用骨架序列(skeleton sequence)数据，对于人体骨架序列数据，即为人的各个关节点在一段时间中的各个时间点的三维坐标(3d-coordinate)。人体动作生成任务搭建并训练神经网络模型，在模型的输入端加入随机噪声，通过模型进行特定的采样与变换，在输出端生成人体骨架序列数据。

2、现有人体动作生成模型的生成质量较低，导致生成的人体骨架序列数据难以应用于数据增强(data augmentation)、虚拟现实增强(virtual reality augmentation)等众多领域。

3、此外，现有的人体动作生成模型缺乏对生成数据类别准确性与生成数据质量的双重调节。由于神经网络的模型参数量有限，其生成水平存在上限，生成数据的类别准确性与生成数据的质量难以达到平衡。

技术实现思路

1、本专利技术提供一种基于类别条件的人体动作生成模型的训练及动作生成方本文档来自技高网...

【技术保护点】

1.一种基于类别条件的人体动作生成模型的训练方法，其特征在于，包括：

2.根据权利要求1所述的基于类别条件的人体动作生成模型的训练方法，其特征在于，所述生成器包括多个顺次连接的多个生成器残差模块；

3.根据权利要求2所述的基于类别条件的人体动作生成模型的训练方法，其特征在于，所述生成器残差模块包括上采样层、卷积层、激活层、条件控制批量归一化层和图卷积模块；

4.根据权利要求1至3中任一项所述的基于类别条件的人体动作生成模型的训练方法，其特征在于，所述生成对抗模型包括判别器；所述判别器包括顺次连接的多个判别器残差模块；

5.根据权利要求1至3...

【技术特征摘要】

1.一种基于类别条件的人体动作生成模型的训练方法，其特征在于，包括：

2.根据权利要求1所述的基于类别条件的人体动作生成模型的训练方法，其特征在于，所述生成器包括多个顺次连接的多个生成器残差模块；

3.根据权利要求2所述的基于类别条件的人体动作生成模型的训练方法，其特征在于，所述生成器残差模块包括上采样层、卷积层、激活层、条件控制批量归一化层和图卷积模块；

4.根据权利要求1至3中任一项所述的基于类别条件的人体动作生成模型的训练方法，其特征在于，所述生成对抗模型包括判别器；所述判别器包括顺次连接的多个判别器残差模块；

5.根据权利要求1至3中任一项所述的基于类别条件的人体动作生成模型的训练方法，其特征在于，所述噪声预处理映射网络包括多个线性层和多个激活层。

<...

【专利技术属性】
技术研发人员：原春锋，杨宇鑫，陈禹昕，李兵，胡卫明，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：