摘要：
完成内容： 1.对AuxFormer加多尺度又试了几个方案，但是跑出来效果还是不好。 2.看苏老师之前推ICCV2023的论文《Tracking Everything Everywhere All at Once》,训练完可视化的结果如下： 论文比较难，还没完全看懂 阅读全文
摘要：
完成内容 1.对AuxFormer添加多尺度的代码改完了，但是跑出来结果err达到了上千，思考到可能是因为做dct的时候有个地方遗漏了。 这周自己好像阳了，吃了药但是病情反复，所以进度较慢。 阅读全文
摘要：
学习方面 对AuxFormer模型做优化，代码还未修改完。 阅读全文
摘要：
完成内容 上周打算做一个多尺度，卡在了用3d坐标提取多尺度特征，进而去找了一些文献，看这篇综述《3D human motion prediction: A survey》时得到了思路。 同时对于AuxFormer模型有了一些改进思路： 1.加运动学上的物理约束 2.将随机噪声改为针对性的噪声 代码还 阅读全文
摘要：
时间：2024.3.7-2024.3.13 完成内容： 1.学习方面： 整理出上周的实验结果，看了2023年ICCV论文《Auxiliary Tasks Benefit 3D Skeleton-based Human Motion Prediction》复现出了论文中的结果，阅读具体的代码实现。 阅读全文
摘要：
完成内容： 结合了UDTransNet和DMGNN的代码。实验结果并不是很理想，跑了下面三个实验，实验结果如下： (1)去掉后面dra部分 (2)去掉dmgnn中间相邻层融合的部分 (3)去掉dra去掉fussion 综上得出的结论是，DAT模块还是有效果的，对比于原模型有60%的动作有了一定的提升 阅读全文
摘要：
完成内容： 运行成功UDTransNet和DMGNN的代码。 因为DMGNN在将不同尺度特征进行融合时，使用的是直接concat，考虑到这样会导致特征融合的不充分，并且产生噪声，而在2023年发表的《Narrowing the semantic gaps in U-Net with learnabl 阅读全文
摘要：
本周科研进度：无 遇到的问题： 正在考虑将《Multi-level Motion Attention for Human Motion Prediction》这篇论文中的attention部分转变为deforamable attention，进而测试一下这个模块的效果，但是还在想如何将两者进行融合。 阅读全文
摘要：
本周主要做的事情是找了最近几年发布的代码，大致看了一下网络结构以及实现，为下面替换做一个准备。 运行成功了deformer-detr的代码，将抽取出deformable attention放到模型上面效果非常差，误差是之前的几倍。 分析 1.可能是代码的问题，有一些参数没有设置好。 2.对于defo 阅读全文
摘要：
完成内容 1.尝试了去掉dct，以及加上全局模块，加上GRU去掉GMM，加上GRU加上GMM，以及将GRU替换为TCN但是效果都不是很理想 2.相对于基模型，去掉dct+GRU+GMM的效果有提升，但是跟最新的论文相比，相差了2%-10%。 3.计划把基模型中用于提取空间信息的GCN替换为Defor 阅读全文
