详细内容或原文请订阅后点击阅览
神经网络如何学习运动？使用相对位置变化解释运动建模
研究人员开发了一种使用相对位置变化进行运动建模的新方法。他们评估了深度神经网络架构使用运动识别和预测任务对运动进行建模的能力。
来源:Qudata神经网络如何学习运动？利用相对位置变化解释运动建模
运动理解在基于视频的跨媒体分析和多知识表示学习中发挥着重要作用。由范和合领导的一组研究人员研究了使用深度神经网络 (DNN)，特别是卷积神经网络和循环神经网络识别和预测物理运动的问题。科学家们开发并测试了一种基于编码为一系列向量的相对位置变化的深度学习方法，并发现他们的方法优于现有的运动建模框架。
在物理学中，运动是位置随时间的相对变化。为了消除物体和背景因素，科学家们专注于一个点在二维 (2D) 平面上移动的理想场景。使用两个任务来评估 DNN 架构建模运动的能力：运动识别和运动预测。因此，开发了一个矢量网络 (VecNet) 来建模相对位置变化。科学家们的关键创新是将运动与位置分开编码。
该团队的研究发表在《智能计算》杂志上。
智能计算VecNet 将短距离运动视为矢量。 VecNet 还可以将点移动到矢量表示给出的相应位置。 为了深入了解随时间变化的运动，使用长短期记忆 (LSTM) 来聚合或预测随时间变化的矢量表示。 由此产生的新 VecNet+LSTM 方法可以有效地支持识别和预测，证明了建模相对位置变化对于运动识别是必要的，并有助于运动预测。
动作识别与运动识别相关，因为它与运动相关。 由于目前没有明确的动作识别 DNN 架构，研究人员已经比较和研究了涵盖大部分领域的模型子集。