Sep, 2019

基于图卷积网络的三维感知自我中心空时交互学习

PDF
TL;DR本文提出了一种 3D 感知的自我中心空间 - 时间交互框架，用于自动驾驶应用，采用图卷积网络（GCN）进行交互建模，对于特定场景的驾驶行为识别领域，该框架在 Honda Research Institute Driving Dataset 数据集的实验表明，与基准线相比，性能提升明显。
automated driving systemsspatial-temporal interactioninteraction modelinggraph convolution networkstactical driver behavior recognition
发现论文，激发创造
  • 基于时间图的 3D 图卷积网络：交通流量预测中的一种空间信息自由框架

    本文提出了一个新的深度学习框架，名为 3D-TGCN，它通过与传统空间信息不同的方式构建道路图，并提出了一个 3D 图卷积模型来更准确地模拟时空数据，并在实证结果中取得了优于现有基线的未来交通预测精度。

    Mar, 2019

  • 用于空间交互建模的卷积

    本文研究用于预测自动驾驶汽车周围参与者运动的空间交互建模问题，并考虑代替 GNN 的解决方案。该研究发现，2D 卷积可以比 GNN 更低延迟地模拟空间交互，并提出一种新的交互损失以进一步改善所考虑的方法的交互建模。

    Apr, 2021

  • 基于时序图神经网络的交互感知个性化车辆轨迹预测

    利用时间图神经网络，提出了一种考虑交互的个性化车辆轨迹预测方法，通过预训练和微调，将个性化的预测结果与通用预测结果进行对比，并证明了个性化模型在较长时间预测范围内的卓越性能。

    Aug, 2023

  • 时空图卷积网络：用于交通预测的深度学习框架

    本文提出一个基于图卷积神经网络（STGCN）的深度学习框架来预测交通领域的时间序列问题，该模型可以更快地训练少量参数，通过建模多尺度交通网络，有效地捕捉了全面的时空相关性，并在各种真实世界的交通数据集上不断超越现有最先进的基线模型。

    Sep, 2017

  • 交通预测的时空交互动态图卷积网络

    提出了一种 STIDGCN 神经网络的拓扑交互动态图卷积模型，可以有效地进行交通预测，具有更好的性能。

    May, 2022

  • 使用几何感知循环网络学习空间常识

    这篇论文提出了一种通过结合几何学和深度视觉表示学习的思想，将其嵌入移动视觉场景理解的递归网络架构中，以学习如何将 2D 视觉特征整合到场景的潜在 3D 特征映射中，通过不同 iable 几何操作进行预测和分割，十分成功。

    Dec, 2018

  • GraphTCN: 人类轨迹预测的时空交互模型

    本研究提出了基于 CNN 的时空图形框架 GraphTCN，通过将空间交互作为社交图形进行建模，并使用修改的时间卷积网络来捕捉时空交互。实验结果证实，该模型在各种轨迹预测基准数据集上实现了更高的性能和更高的准确性。

    Mar, 2020

  • 三维单目视频多人姿势估计的图形和时间卷积网络

    提出了一种新的框架，将图卷积神经网络（GCNs）和时间卷积神经网络（TCNs）相结合，以强韧地估计无需摄像机参数即可实现相机中心多人 3D 姿态的方法。该方法利用可见关节和骨头信息来估计遮挡或缺失的人体部分信息，并结合使用 GCNs 和 TCNs 的方法。定量和定性评估表明，所提出的方法具有实际应用效果。

    Dec, 2020

  • 基于时空门限 - 邻接图卷积网络的人体运动预测

    提出了一种名为 Spatio-Temporal Gating-Adjacency GCN (GAGCN) 的运动预测模型，采用门控网络增强了 GCN 对于多种动作类型的推广能力，并通过平衡空间和时间的交叉依赖关系，融合了模型的特征，实现了对于人体运动预测的短期和长期性能的最先进水平。

    Mar, 2022

  • PointRGCN：用于三维车辆检测细化的图卷积网络

    提出了 PointRGCN—— 一种基于图卷积网络（GCN）的图形三维物体检测管道，该管道专门用于对三维 LiDAR 点云进行操作，包含 R-GCN 和 C-GCN 的残差 GCNs 的集成，使用图形表示对三维物体提议进行了改进，并在 bird eye 视图检测任务的简单难度上实现了最先进的性能。

    Nov, 2019