Temporal Attention + MHU

論文：【2018IJCAI】Long-Term Human Motion Prediction by Modeling Motion Context and
Enhancing Motion Dynamic
創新點1：MHU
創新點2：gram matrix loss

網路總體分為兩部分：skeleton embedding layer 將骨骼軸角資料對映到嵌入空間，recurrent prediction layer產生預測姿勢。
預測部分又分為兩塊，時間注意力提取模組和MHU
**時間注意力：**從全體骨骼特徵以及隱藏狀態中提取權重

**MHU更新：**理解vt類似於LSTM中的隱藏狀態ht，刪掉了細胞狀態ct

gram matrix loss：

loss解決的問題：傳統的均方誤差MSE將預測姿勢限制於平均姿勢之中， 並且將幀獨立看待，會導致預測運動的不連續。提出的方法同時考慮了骨骼間聯絡和相鄰幀聯絡。其中，concat操作反應了相鄰幀聯絡；把向量乘起來變成矩陣，可以反應不同身體部位的關聯。