ECCVAug, 2020

隐藏脚印：从 3D 人类轨迹中学习上下文的可步行性

PDF
TL;DR通过利用 3D 信息和现有数据集中的观测结果来增强有效的、标记的可步行区域数据，并使用基于类平衡分类的损失和情境对抗性的损失的训练策略，实现了从一张图像预测行走性地图的模型，并在 Waymo 和 Cityscapes 数据集上展示了卓越的性能。
walkability map predictioncomputer visionsparse labeling3d informationautonomous driving
发现论文，激发创造
  • 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

  • 单色图像中的足迹和自由空间

    通过学习来自立体视频序列的训练数据，基于单个 RGB 图像预测可见和被遮挡的可通过物体表面的几何形状，所采用的图片到图片网络可有效预测用于机器人或增强现实代理的路径规划任务，并验证了预测结果。

    Apr, 2020

  • 步行 = 可通过？：遮挡下基于多人物对象追踪的可通过性预测

    通过使用第三人称视角的单目摄像头替代第一人称视角的传感器，在机器人室内导航中实现了通过人类轨迹预测被遮挡地板的可通过性，可在具有挑战的视觉场景中稳定地进行预测。

    Sep, 2023

  • 通过潜在走廊进行自适应人类轨迹预测

    使用可学习的图像提示将预训练的人体轨迹预测器的输入增强，从而使预测器能够从极少量的新数据中推断出部署场景的趋势，从而解决特定场景下的人体轨迹预测问题。

    Dec, 2023

  • 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

  • 拥挤复杂场景中社交导航预测

    本文提出了一个集成图像和视频的大规模数据集， 收集了各种类型的目标（不仅是行人，还有自行车，滑板车，汽车，公交车，高尔夫球车）在现实世界室外环境中如何运动的数据。本文还提出了新的轨迹预测算法，并且这个算法利用了新数据集的复杂度，可以模拟交互中的社会力量对行人的影响，有效地解决了目标跟踪与轨迹预测问题。

    Jan, 2016

  • 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

  • 基于知识感知的图形转换器用于行人轨迹预测

    该论文提出了一个图变换器结构来改进预测性能，捕捉数据集中不同场所和情景之间的差异，并设计了一种自注意机制和域适应模块来提高模型的泛化能力。此外，还引入了一种考虑跨数据集序列的额外指标用于训练和性能评估目的。使用 ETH 和 UCY 等流行的公共数据集验证和比较了所提出的框架，实验结果表明了我们提出的方案的改进性能。

    Jan, 2024

  • 基于场景上下文的人类长期动作预测

    本文通过提出新的三阶段框架来对人类运动进行长期预测，在考虑环境场景的情况下大大提高了预测准确性，并提供了具有清晰注释的多样化合成数据集来实现稳定的训练和严格的评估。

    Jul, 2020

  • 利用遥感数据和自监督学习生成可扩展的标签有效的人行道网络

    这项研究设计并实施了一种基于遥感图像和机器学习模型的自动路径网络生成流水线，旨在减少标注数据的要求并能够低成本有效地生成可加载和可视化的路径网络。

    Sep, 2023