• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>2017 International Conference on Security, Pattern Analysis, and Cybernetics >A multi-kernel based Gaussian process dynamic model for human motion modeling
【24h】

A multi-kernel based Gaussian process dynamic model for human motion modeling

机译：基于多核的高斯过程动力学模型

获取原文
获取原文并翻译 | 示例
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

In this paper, we focus on the problem of human motion modeling. We adopt the probabilistic modeling approach to over come the over-fitting problem in the parameter training process and propose a multi-kernel based Gaussian process dynamic model. First, we will do the dimensional reduction, and the method is the Gaussian process latent variable model. Different from existing modeling method, we introduce multikernel learning into the dimensional reduction process to capture the complex distribution of high-dimensional data. Second, for modeling the dynamic latent variable, we use a multi-kernel learning. We are not give a strong assumption on form of the nonlinear projection mapping and nonlinear dynamic function, our model automatically learn a suitable nonlinear kernel based on the training samples, and it can fit many kind of times series. We demonstrate the effectiveness of our method on the CMU human motion data set. The Experimental results show that our modeling method achieves promising modeling capability and is capable of predict human motion.
机译：在本文中，我们关注于人体运动建模问题。我们采用概率建模方法克服了参数训练过程中的过拟合问题，并提出了一种基于多核的高斯过程动力学模型。首先，我们将进行维数缩减，方法是高斯过程潜变量模型。与现有的建模方法不同，我们在降维过程中引入了多核学习，以捕获高维数据的复杂分布。其次，为了对动态潜在变量建模，我们使用了多核学习。我们没有对非线性投影映射和非线性动力学函数的形式给出强烈的假设，我们的模型会根据训练样本自动学习合适的非线性核，并且可以拟合多种时间序列。我们证明了我们的方法对CMU人体运动数据集的有效性。实验结果表明，我们的建模方法具有良好的建模能力，能够预测人体运动。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号