- 博客(4)
- 收藏
- 关注
RSS订阅原创 Elsevier投稿记录
documentclass[preprint,12pt,authoryear]{elsarticle}，好像是因为elsarticle里面已经有natbib了。不要用biblatex了，也不用在开头再写usepackage natbib。记录一下以防下次又遇到。主要是文献引用的问题。2、上传了ref.bib，到系统编译后所有引用变成了“？3、overfleaf编译无法生成PDF，一直报错。1、biblatex和natbib不兼容。文中引用用\cite{}之类的。清除缓存后重新编译。
2024-07-03 12:17:03
273
原创 Back to MLP: A Simple Baseline for Human Motion Prediction
输入为T*C，T帧，每一个动作C个参数表示，其中C=3*K（K是关节点数，一个关节点由一个3维坐标表示）；用RNN、GCN等复杂网络结构的参数量很大，超过200万→使用基于MLP的轻量级网络，只有0.14万个参数。zi表示第i个block 的输出（形状为T*C，i从1到m），W的维度为T*T，bi为T。N和T不一定要相等，T更大时就截取输出的前N帧作为预测结果，T更小的时候就将其扩充到N帧。接着，像一开始的全连接层一样，只对特征的空间维度操作。首先对数据进行DCT变换，采用DCT变换对时间信息进行编码，
2024-03-05 10:10:20
327
原创 History Repeats Itself: Human Motion Prediction via Motion Attention
表示历史子序列加其对应的未来序列的DCT编码（因为后面预测器采用的是GCN作用域DCT编码的方式，为了Attention的输出和GCN的输入一致，value用DCT编码）。：选取最后M帧，即[N-M+1:N]，把最后一帧（[N]）复制T次，组成长度为M+T的序列，将其与Motion Attention的输出结果的DCT表达（长度也是M+T）concat起来变成K*2（M+T）作为GCN的输入。长度为N帧的子序列[1:N]，分成N-M-T+1个长度为M+T的子序列（子序列从头往后滑动）。
2024-02-29 16:23:04
523
原创 Two-Stream Adaptive Graph Convolutional Networks for Skeleton-Based Action基于双流结构的自适应图卷积网络的骨骼姿态识别
（空间维度的图卷积公式）在空间维度上，对每一个顶点vi，计算它在下一层的向量值的方式为：所有跟vi相邻为1的点vj一起组成一个采样面积Bi，w是权重向量。输入为Cin*T*N，用两个可训练的卷积核θ、φ（都是1*1）转化为两个Ce*T*N，reshape成N*CeT和CeT*N，得到N*N的相似矩阵Ck，用softmax标准化为0~1之间。自适应图卷积网络（AGCN）由9个上面的自适应图卷积块组成（输出通道数：64，64，64，128，128，128，256，256，256）空间和时间的图卷积是分开的。
2024-02-28 14:18:45
1247
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人