CVPRMar, 2021

时间点云网络用于运动预测

PDF
TL;DR本文介绍了一种新型的灵活的框架 ——Temporal Point Cloud Networks (TPCN)，该框架采用联合的空间和时间学习用于轨迹预测，并将轨迹预测分为空间和时间两个维度。该方法采用点云学习技术模拟智能体的位置，运用动态时间学习模拟智能体的运动。实验结果表明，该方法在 Argoverse 运动预测基准测试中具有最先进的性能。
temporal point cloud networkstrajectory predictionspatial and temporal learningpoint cloud learningdynamic temporal learning
发现论文，激发创造
  • 空间 - 时间图形循环神经网络用于点云预测

    提出一种端到端学习网络，用于预测点云序列中的未来帧，其中网络以点云的拓扑信息作为几何特征学习初始层，形成代表性的时空邻域，在多个 Graph-RNN 单元中学习点的动态（即 RNN 状态），并与时空邻近点一起处理。测试结果表明，我们的方法在忽略几何特征信息的基准线方法上表现出色，应用于包括 MINST 运动数字、合成人体动作和 JPEG 动态人体数据集的预测中。

    Feb, 2021

  • TPNet: 运动预测的轨迹提议网络

    提出了一个新型的两阶段运动预测框架 ——Trajectory Proposal Network (TPNet)，即先通过生成候选的运动轨迹假设，再根据满足物理限制情况下的分类和细化来进行最终预测，从而实现了安全和多模态的预测，通过这种方法有效地缓解了运动预测问题的复杂性，同时保证了多模态输出。

    Apr, 2020

  • 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

  • TrajectoryNet: 一种新的用于人类运动预测的时空特征学习网络

    本文提出一种基于 2D CNN 的新网络 TrajectoryNet，用于预测轨迹空间中未来的姿势，重点在于对先前姿势序列的耦合时空特征、局部全局空间特征和全局时间共现特征的建模，实验结果表明所提出方法在 3 个基准测试上达到了最先进的效果。

    Oct, 2019

  • 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

  • PCPNet：一种用于点云预测的高效语义增强变换网络

    本文提出一种新的高效 Transformer-based 的点云预测网络，并设计了语义辅助训练策略来对未来的 LiDAR 点云进行预测，该方法是完全自监督的，并且在预测结果和语义相似性上表现出超越最先进的 PCP 方法的性能，具有良好的实时性能。

    Apr, 2023

  • 探索时间保留网络用于精确的时间动作定位

    本文提出一种时序保留卷积网络 (TPC Network)，利用 TPC 过滤器为三维卷积神经网络 (3D ConvNets) 提供全面的时间分辨率和空间分辨率压缩，实现了帧级别粒度的动作本地化，该网络可进行端到端训练，并在公共数据集上取得了显著的改进。

    Aug, 2017

  • MoNet：基于动作的点云预测网络

    本文提出了一种名为 MoNet 的基于运动的神经网络，它将运动特征和内容特征结合起来用于预测未来的点云，以提高自动驾驶中智能汽车对其周围环境的感知和安全性。实验结果表明，该方法具有重要的应用前景。

    Nov, 2020

  • 宁静之云：用神经网络学习点云时空相干特征

    研究介绍了一种用于 Lagrangian 形式下的点云的机器学习方法，该方法可以学习稳定和具有时间相关性的特征，以解决在这些方法中存在的固有问题，例如点云形成的 halo 结构。

    Jul, 2019

  • 基于并行时空注意力的 TCN 模型用于多元时间序列预测

    该论文介绍了一种新的框架 PSTA-TCN，该框架将并行时空关注机制与轴承温网络相结合，从而达到了更长的记忆，并且使用并行计算大大缩短了训练时间，可以更好地用于多元时间序列预测任务。

    Mar, 2022