MSN: 轨迹预测的多样式网络
提出了一种名为 MS-Net 的多场景网络,通过进化过程训练一种多路径稀疏模型,实现对不同场景下行人运动的预测,实验结果表明,MS-Net 在行人运动预测数据集(如 ETH 和 UCY)上优于现有的最先进方法,并在 INTERACTION 挑战中排名第二。
Mar, 2024
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
本论文提出了一种基于记忆增强神经网络的多模态轨迹预测方法,该方法可以在复杂场景中安全地规划自主车辆路径,并且通过非参数化的记忆模块,可以不断改进预测效果。
Jun, 2020
本研究提出 CoMatch Layer 和 Multi-style Generative Network (MSG-Net) 用于实现实时风格转换,并使用了上采样卷积等特殊算法,大幅提高了图像质量。此外,MSG-Net 支持内容风格插值、空间控制、笔刷大小控制等多种技术,并且是首个可以实现纯前向方式的实时笔刷大小控制的风格迁移模型。
Mar, 2017
本文提出了 Stepwise Goal-Driven Network (SGNet) 的循环网络来预测观察到的行人或车辆在多个时间尺度上的轨迹,并通过连续建模目标的变化提供更准确和详细的信息。作者在三个第一人称交通数据集和三个鸟瞰数据集上对模型进行了评估,并展示了在所有数据集上都取得了最先进的结果。
Mar, 2021
本文提出了一种解决多模态数据和场景下多主体交互的轨迹预测问题的方法,使用 convLSTM 结合 CVAE 进行多样性预测,通过多元化的数据集模拟,取得了比现有方法更好的效果
Jul, 2020
提出了一种名为 MCENET 的方法,通过编码过去和未来的场景情境、交互情境和运动信息来捕捉未来轨迹的模式和变化,以此解决在城市混合交通区域(即共享空间)中对异质性道路代理(行人、骑车人和车辆)进行微观级别的轨迹预测的挑战。
Feb, 2020
本文提出了一种基于区域语义的多样式迁移框架,其中引入了新的多级特征融合模块和补丁注意力模块来实现更好的语义对应和保留更丰富的样式细节,并使用区域风格融合模块将多个样式无缝地结合在一起,实现更丰富、更美观的多样式迁移结果。
Oct, 2019
本文提出了一种通用的生成神经系统(称为 STG-DAT),用于多代理轨迹预测,涉及异构代理。该系统采用了动态图形表示,并利用轨迹和场景上下文信息来明确交互建模。本文还采用了一个有效的运动学约束层,该约束不仅确保物理可行性,而且提高了模型性能。
Feb, 2021
该论文提出了一种用于行人轨迹预测的新方法,称为多阶段目标驱动网络 (MGNet)。通过预测中间阶段目标来生成轨迹,以减小预测误差。MGNet 包括条件变分自编码器 (CVAE)、注意力模块和多阶段目标评估器等主要组件。我们通过对 JAAD 和 PIE 数据集进行全面实验,并与最先进的算法进行比较评估,证明了 MGNet 的有效性。
Jun, 2024