社交方式：使用 GAN 学习行人轨迹的多模态分布

CVPRApr, 2019

社交方式：使用 GAN 学习行人轨迹的多模态分布

Social Ways: Learning Multi-Modal Distributions of Pedestrian Trajectories with GANs

Javad Amirian, Jean-Bernard Hayet, Julien Pettre

TL;DR本文提出了一种基于 GAN 和 Info-GAN 的行人运动预测方法，通过去除 L2 损失函数并使用多模态预测方式，成功避免了 GAN 中的 mode collapsing 和 dropping 问题，同时在真实数据和合成数据上的实验表明，该方法能够生成更多样化的预测结果，并且能够保留预测分布的模态。

Abstract

This paper proposes a novel approach for predicting the motion of pedestrians interacting with others. It uses a generative adversarial network (GAN) to sample plausible predictions for any agent in the scene. As GANs are very susceptible to mode collapsing and dropping, we show that t

pedestrian motion prediction generative adversarial network info-gan multi-modal prediction predictive distribution modes

发现论文，激发创造

MG-GAN：一种多生成器模型，防止行人轨迹预测中的样本越界

本研究针对行人轨迹预测中存在的不确定和多模态问题，提出了一种基于多生成器模型和条件分布的预测方法，可以有效地减少模型预测错误率。

Aug, 2021

概率众包 GAN：使用图形车 - 行人注意网络进行多模态行人轨迹预测

本文介绍了一种使用概率多模式预测方法和社交影响建模的新型 GAN，可有效预测人群行为和行人意图，以达到更好的自动驾驶和移动机器人导航效果。

Jun, 2020

社交 GAN：具有生成对抗网络的社交可接受行迹

通过将序列预测和生成对抗网络的工具相结合，我们成功地解决了自动移动平台中的人体运动行为预测问题，并在准确性，多样性，碰撞避免和计算复杂性方面胜过了以往的工作。

Mar, 2018

GD-GAN：用于人群轨迹预测和组群检测的生成对抗网络

本文提出了一种新颖的深度学习框架，用于人类轨迹预测和在人群中检测社交群体成员。我们引入了一个生成对抗网络管道，可保留行人社区的时空结构，从而使我们能够提取描述其社会身份的相关属性，并将群体检测任务公式化为无监督学习问题，不需要通过手动标记的数据库进行监督学习，使我们能够直接将所提出的框架应用于不同的监控设置。我们在多个公共基准测试上评估了所提出的轨迹预测和群体检测框架，对于这两个任务，所提出的方法都证明了其相对于现有最先进方法更能够预测人类的社会行为。

Dec, 2018

Social-BiGAT: 使用自行车生成对抗网络和图神经网络的多模态轨迹预测

本论文提出了 Social-BiGAT，一种基于图形的生成对抗网络，可通过更好地建模场景中行人之间的社交互动来生成逼真的多模态轨迹预测。与现有文献相比，我们通过图形注意力网络（GAT）学习可靠的特征表示来编码场景中人类之间的社会互动，以及逆变换场景和潜在噪音向量之间的关系，相对于其他基准测试结果，该框架实现了最先进的性能。

Jul, 2019

人类移动数据深度多模态异常检测的耦合 IGMM-GANs

该研究采用无限高斯混合模型与双向生成对抗网络（IGMM-GAN）结合的方法，实现针对人类移动轨迹的多模态异常检测，此方法不仅能够生成真实的合成数据集，还能够用于在人类移动数据的空间上估计生成功率密度，并对异常轨迹进行检测。

Sep, 2018

行人合成 GAN：在实景及更多场景下生成行人数据

本文提出了使用生成对抗网络（GAN）与多个辨别器结合的方法，生成大量逼真的行人图像并应用到行人检测任务中，证明通过添加合成数据可以显著地提高检测器的性能。

Apr, 2018

基于对抗学习的互动感知多智能体跟踪和概率行为预测

使用对抗生成网络 (GAN) 提出一个通用的多智能体概率预测和跟踪框架，可以更好的对多个实体之间的交互行为进行预测，并在实际车辆行为预测中取得了比传统监督学习更好的性能。

Apr, 2019

DiversityGAN: 通过潜在语义采样实现多样化意识的车辆运动预测

通过使用生成对抗网络模型和低维度近似语义空间，本文提出了一种新的逼真而多样化的车辆轨迹生成方法，可以从语义上控制轨迹的分布，具有最先进的预测性能和改进的安全性评估能力。

Nov, 2019

使用生成对抗网络生成合成移动网络

本文介绍了一种生成城市空间网络的模型：MoGAN，该模型基于生成对抗网络（GANs）算法，通过公共自行车和出租车运动数据集的实验证明 MoGAN 生成的网络真实性优于传统的 Gravity 和 Radiation 模型，可用于数据增强、模拟分析等领域。

Feb, 2022