CVPRApr, 2021

用于空间交互建模的卷积

PDF
TL;DR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。
graph neural networksspatial interaction modeling2d convolutionsmotion predictioninteraction loss
发现论文，激发创造
  • 基于图卷积网络的三维感知自我中心空时交互学习

    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。

    Sep, 2019

  • 用图神经网络建模交通参与者交互

    该研究使用图表征交通场景，并运用了自然地考虑交通参与者之间相互作用的图神经网络模型来进行交通预测，评估了两种现有的图神经网络结构，并对特定情境进行了调整并表明该模型比不考虑相互作用的模型预测误差下降 30％，表明交互作用是重要的，并且该研究在交通预测系统中将 GNN 作为有价值的补充。

    Mar, 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

  • 城市时空预测中的多模态图交互和多图卷积网络

    本文研究了基于图卷积网络的多模态机器学习模型，通过引入多模态互动机制，去增强多模态协调表示的学习能力，从而在预测准确性、训练效率、可解释性和模型鲁棒性等方面，优于现有的基准模型。

    May, 2019

  • 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

  • 卷积神经网络在图结构数据上的推广

    本研究介绍了一种卷积神经网络的泛化方法，使其适用于图形结构数据，使用随机游走揭示输入数据内部关系，通过学习底层图将其应用于许多标准分类或回归问题。

    Apr, 2017

  • 图表，卷积和神经网络：从图滤波器到图神经网络

    本文利用图信号处理来表征图神经网络（GNNs）的表征空间，讨论了图卷积滤波器在 GNNs 中的作用，并展示了这类滤波器所建立的任何架构都具有置换等变性和对网络拓扑的稳定性的基本属性。然后，我们讨论了扩展了边变量和自回归移动平均图滤波器的 GNNs 以及它们的属性，并最终研究了在推荐系统和学习机器人群体的分散式控制器中使用 GNNs 的相关研究。

    Mar, 2020

  • 基于卷积社交池化的车辆轨迹预测

    使用卷积社交汇集的 LSTM 编码器 - 解码器模型可以使得机器人更好地学习掌握复杂路况下的周围车辆的运动，并在多种交通场景中获得了不错的预测效果。

    May, 2018

  • 可变形图卷积网络

    本篇论文提出了一种新型的图卷积神经网络 Deformable GCNs，它可以在多个潜在空间适应性地执行卷积操作，并捕获节点之间的短 / 长距离依赖关系，从而处理异构性，并在六个异质性图数据集中实现节点分类任务的最佳性能。

    Dec, 2021

  • 基于空间感知的图神经网络预测传感器数据中的关系行为

    本文提出了一种基于空间感知图神经网络的关系行为预测模型，该模型能够建模场景中的交互，并在轨迹级别上模拟不确定性，通过最新的自动驾驶数据集 ATG4D 和 nuScenes 的实验结果，我们的模型取得了显著的性能提升，具有端到端的训练能力。

    Oct, 2019