Back to MLP: A Simple Baseline for Human Motion Prediction

本篇论文解决的问题：

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。

作者的观点：

1. 人类运动预测可以以一种简单的方式建模，而无需明确融合空间和时间信息；
2. 输入的最后一个动作与预测动作最接近，让网络来预测输出第t帧和最后一帧之间的残差，而不用从头开始预测绝对的3D姿态。

作者提出的SIMLPE模型只由全连接层组成，且输入维数等于输出维数，结构包括：

1. FC层
2. LN层
3. Transpose operation转置操作

首先对数据进行DCT变换，采用DCT变换对时间信息进行编码，可以将图片信息压缩加工成序列。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）；输出N*C。

给定输入T帧，对应的DCT变换矩阵D（维度为T*T），δ是克罗内克函数（Kronecker delta，两个整数相等输出1，不相等输出0）表示成：

 经过DCT变换后，用一个全连接层只对空间维度进行操作。z0：T*C；W0：C*C；b0：C。起到转置的作用，（输出时再重新转置回去）。

 m块MLP仅仅对时间维度操作，跨帧合并信息。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。

接着，像一开始的全连接层一样，只对特征的空间维度操作。最后用IDCT变换得到最终结果。

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。