Social GAN : Socially Acceptable Trajectories with Generative Adversarial Networks

• Paper:https://openaccess.thecvf.com/content_cvpr_2018/papers/Gupta_Social_GAN_Socially_CVPR_2018_paper.pdf
• Code(pytorch):https://github.com/agrimgupta92/sgan

簡介

SGAN用于行人軌跡預(yù)測任務(wù), 行人軌跡預(yù)測可以用于許多的方面應(yīng)用,例如: 自駕車。但是在一個場景中，要預(yù)測所有人行走軌跡會有很多挑戰(zhàn)出現(xiàn)。

而這篇論文的作者主要針對該模型架構(gòu)有以下幾點貢獻(xiàn)：

a novel variety loss,通過鼓勵進(jìn)行多樣化的預(yù)測。由原先只能預(yù)測單一軌跡，經(jīng)由改良, 該模型可以提出預(yù)測多條軌跡,從這些預(yù)測的軌跡里面找出最佳的軌跡。

導(dǎo)入Pooling Module,提出新的Pooling 機制來幫助感知場景的周遭所有行人的行走軌跡。

模型架構(gòu)可以分成三個關(guān)鍵組成部分 : Generator (G), Pooling Module (PM) and Discriminator (D)。
G基于encoder-decoder框架，在該框架中，透過PM連接encoder-decoder的hidden states。
G將場景中所有行人過去軌跡作為輸入，并輸出所有行人的未來預(yù)測軌跡。
D輸入包括輸入實際行人軌跡和未來預(yù)測軌跡的整個序列，并判斷是’’real/fake’’。

總結(jié)

以上是生活随笔為你收集整理的【速读】Social GAN : Socially Acceptable Trajectories with Generative Adversarial Networks的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。