ChatPaper.aiChatPaper

MotionLLM: Compreendendo Comportamentos Humanos a partir de Movimentos e Vídeos Humanos

MotionLLM: Understanding Human Behaviors from Human Motions and Videos

May 30, 2024
Autores: Ling-Hao Chen, Shunlin Lu, Ailing Zeng, Hao Zhang, Benyou Wang, Ruimao Zhang, Lei Zhang
cs.AI

Resumo

Este estudo adentra o domínio da compreensão multimodal (ou seja, vídeo e movimento) do comportamento humano, aproveitando as poderosas capacidades dos Modelos de Linguagem de Grande Escala (LLMs). Diferentemente dos LLMs recentes projetados para compreensão apenas de vídeo ou apenas de movimento, argumentamos que a compreensão do comportamento humano exige a modelagem conjunta de vídeos e sequências de movimento (por exemplo, sequências SMPL) para capturar efetivamente a dinâmica e a semântica detalhada das partes do corpo. Diante disso, apresentamos o MotionLLM, uma estrutura simples, porém eficaz, para compreensão, legendagem e raciocínio sobre movimentos humanos. Especificamente, o MotionLLM adota uma estratégia unificada de treinamento vídeo-movimento que aproveita as vantagens complementares dos dados existentes de texto-vídeo grosseiros e dos dados de texto-movimento refinados para obter insights espaço-temporais ricos. Além disso, coletamos um conjunto de dados substancial, o MoVid, composto por diversos vídeos, movimentos, legendas e instruções. Adicionalmente, propomos o MoVid-Bench, com anotações manuais cuidadosas, para uma melhor avaliação da compreensão do comportamento humano em vídeo e movimento. Experimentos extensivos mostram a superioridade do MotionLLM em legendagem, compreensão espaço-temporal e capacidade de raciocínio.
English
This study delves into the realm of multi-modality (i.e., video and motion modalities) human behavior understanding by leveraging the powerful capabilities of Large Language Models (LLMs). Diverging from recent LLMs designed for video-only or motion-only understanding, we argue that understanding human behavior necessitates joint modeling from both videos and motion sequences (e.g., SMPL sequences) to capture nuanced body part dynamics and semantics effectively. In light of this, we present MotionLLM, a straightforward yet effective framework for human motion understanding, captioning, and reasoning. Specifically, MotionLLM adopts a unified video-motion training strategy that leverages the complementary advantages of existing coarse video-text data and fine-grained motion-text data to glean rich spatial-temporal insights. Furthermore, we collect a substantial dataset, MoVid, comprising diverse videos, motions, captions, and instructions. Additionally, we propose the MoVid-Bench, with carefully manual annotations, for better evaluation of human behavior understanding on video and motion. Extensive experiments show the superiority of MotionLLM in the caption, spatial-temporal comprehension, and reasoning ability.
PDF208December 12, 2024