CVPRFeb, 2019

窥探未来：预测视频中未来个人活动和位置

PDF
TL;DR本文提出了一种基于多任务学习的端到端学习系统，利用丰富的视觉特征和人类行为信息相互作用来预测行人未来的路径和活动，实证证明了该方法可以提高未来轨迹预测的准确性，并且还可产生有意义的未来活动预测。
发现论文，激发创造
  • 第一人称视角视频中的未来人物定位

    我们提出了一个新的任务，旨在预测在佩戴式摄像机拍摄的第一人称视频中被观察者的未来位置，我们将三个关键观察结果融入到多流卷积 - 解卷积体系结构的预测框架中，实验结果表明我们的方法在我们的新数据集以及公共社交互动数据集上是有效的。

    Nov, 2017

  • 向前看：使用未来帧预测过街行人

    本文提出了一种以行人安全为重点的端到端未来预测模型，使用从车辆视角记录的先前视频帧来预测行人是否会横穿车辆前面，其长期目标是设计出一个完全自主的系统，与有防御性的人类驾驶员一样预测未来事件并采取反应以降低风险，并利用编码器 / 解码器网络和深度时空网络实现对行人行为和未来帧预测的最新准确性。

    Oct, 2019

  • 基于第一人称视频的社交行为预测

    本文提出了一种从篮球运动员的第一人称视频中预测其未来运动轨迹 (位置和视线方向) 的方法，该方法利用了第一人称视频中独特的学习信号和 3D 重建技术，通过 Siamese 神经网络和长期循环卷积网络实现了对未来运动的预测。

    Nov, 2016

  • 何时做什么？- 预测活动的时间发生

    提出了两种方法来进行视频动作的长期预测。使用卷积神经网络和循环神经网络进行学习，能够生成准确的未来预测甚至在包含大量不同动作的长视频中也可以处理噪音或错误的输入信息。

    Apr, 2018

  • 从视频预测三维人体动态

    本篇论文提出了一种可以根据过去的视频输入，预测人体未来三维网格模型序列的方法，通过引入自回归模型在中间潜在空间上进行预测，有效地促进了自回归预测。

    Aug, 2019

  • 基于 3D 人体关键点的行人过街动作识别和轨迹预测

    提出了一个基于多任务学习的框架来识别行人穿越行为并预测其未来轨迹，利用从原始传感器数据提取出来的人体关键点来捕捉丰富的人体姿态和活动信息，同时引入辅助任务和对比学习以提高所学习人体关键点表达式的性能表现。在大规模内部数据集和公共基准数据集上进行验证，证明了该方法在多种评估指标上实现了最先进的性能。

    Jun, 2023

  • 学习表示以预测未来活动

    本文提出了一种基于网络模块的自监督学习方法，旨在预测未来活动，并通过多假设方案及描述生成器阐述其意义，也在广泛的数据集上进行了活动分类实验。

    May, 2019

  • 拥挤空间中基于社交及场景感知的轨迹预测

    基于 LSTM 模型及人际交互、过往观测、周围空间语义等多重因素，预测人在城市场景中的运动方向的方法在测试中证明比传统 LSTM 模型准确，成为开发自动驾驶车辆与社交性机器人必不可少的一步。

    Sep, 2019

  • 上下文感知轨迹预测

    本研究提出了一种基于上下文感知的循环神经网络 LSTM 模型，用于人类在拥挤空间中运动和行为的预测。实验结果表明，该方法相对于之前的最新预测模型能够更好的预测人类的轨迹。

    May, 2017

  • 基于动作的对比学习用于轨迹预测

    本文研究车辆自主驾驶等人机交互场景下，预测第一视角的跟随摄像头采集到的行人轨迹，提出一种基于行人行为的对比学习损失、采样策略，辅以 CVAE 生成附加样本，将该对比框架与轨迹预测模型集成可显著提高模型预测效果，在多个基准测试中超过当前最先进的方法。

    Jul, 2022