Sun_ZD的博客

4篇cvpr2021 轨迹预测论文1. Introvert: Human Trajectory Prediction via Conditional 3D Attention2. SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction3. Interpretable Social Anchors for Human Trajectory Forecasting in Crowds4. Pedestrian and

Spatial-Temporal Synchronous Graph Convolutional Networks:A New Framework for Spatial-Temporal Network Data Forecasting摘要1 引言2 Related WorkPreliminaries正文前书页Spatial-Temporal Synchronous Graph Convolutional Network时空同步图卷积网络ExperimentsConclusionA New Frame

A Spatial-Temporal Attention Model forHuman Trajectory Prediction摘要1 引言2 相关工作3 Method4 Experiments5 Discussion6 ConclusionsHuman Trajectory Prediction)人体轨迹预测的时空注意模型作者：Xiaodong Zhao, Yaran Chen,论文地址：IEEE/CAA JOURNAL OF AUTOMATICA SINICA发表时间：备注：论文

Dynamic and Static Context-aware LSTM for Multi-agent Motion Prediction摘要1 引言2 相关工作3 Method4 Experiments5 Discussion6 Conclusions用于多主体运动预测的动态和静态上下文感知LSTM作者：Chaofan Tao Qinhong Jiang论文地址：发表时间：备注：论文解析代码开源代码解析摘要多主体运动预测具有挑战性，因为它旨在在复杂的场景中同时预测多个主体（

A Novel Graph based Trajectory Predictor with Pseudo Oracle摘要1 引言2 相关工作3 PROPOSED METHODIV. EXPERIMENTAL RESULTS带有 Pseudo Oracle的新型基于图的轨迹预测器作者：Biao Yang, Guocheng Yan论文地址：发表时间：备注：论文解析代码开源代码解析摘要动态场景中的行人轨迹预测在许多应用中仍然是一个充满挑战和关键的问题，例如无人驾驶汽车和具有社交意识的机器

Spatial-Temporal Block and LSTM Network for Pedestrian Trajectories Prediction 摘要1 引言2 相关工作3 METHOD4. EXPERIMENTAL RESULTS6. CONCLUSION用于行人轨迹预测的时空块和LSTM网络作者：Dan Xiong论文地址：发表时间：备注：提供改善思路论文解析代码开源代码解析摘要在本文中，我们提出了一种新颖的基于LSTM的算法。我们通过考虑静态场景和行人来解决该问题，静

Social-STAGE: Spatio-Temporal Multi-Modal Future Trajectory Forecast摘要1 引言2 相关工作3 METHODOLOGY4. EXPERIMENTAL RESULTS5. IMPLEMENTATION AND MODEL DETAILS（实施和模型系节）6. CONCLUSIONSocial-STAGE:时空多模态未来轨迹预测作者：Srikanth Malla Chiho Choi论文地址：https://arxiv.org/abs/

文献阅读笔记摘要1 引言2 相关工作3 Problem formulation4 Method4 实验5 结论EvolveGraph: Multi-Agent Trajectory Prediction with Dynamic Relational ReasoningEvolveGraph：具有动态关系推理的多Agent轨迹预测收录于NeurlPS 2020作者：Jiachen Li,Fan Yang,∗Masayoshi ,Tomizuka2,Chiho Choi1论文地址：NeurlPS 2

Embedding group and obstacle information in LSTM networks for human trajectory prediction in crowded scenes摘要1 引言2 相关工作3 社交LSTM模型 Preliminaries: the Social LSTM model4 所提出的方法 The proposed method4 实验5 结论在LSTM网络中嵌入群体和障碍物信息，以在拥挤的场景中进行人体轨迹预测收录于 Computer Visi

STGAT: Modeling Spatial-Temporal Interactions for Human Trajectory摘要1 引言2 相关工作3 Method4 实验5 结论STGAT:为人类轨迹建模时空交互作用收录于ICCV 2019作者：Huang Y, Bi H K, Li Z, et al.论文地址：发表时间：ICCV2019摘要大多数现有方法都忽略了与场景中其他行人交互的时间相关性。在这项工作中，我们提出了一种时空图注意力网络（STGAT），该网络基于序列到序列的体系

Recursive Social Behavior Graph for Trajectory Prediction用于轨迹预测的递归社会行为图摘要1引言2相关工作3方法4实验5结论用于轨迹预测的递归社会行为图收录于CVPR2020作者：Jianhua Sun , Qinhong Jiang , Cewu Lu论文地址：https://arxiv.org/abs/2004.10402发表时间：22 Apr 2020摘要社会互动是人类轨迹预测中产生合理路径的重要主题。在本文中，

GraphTCN: Spatio-Temporal Interaction Modeling for Human Trajectory Prediction摘要1 引言2 相关工作3 方法4 实验5 结论GraphTCN:用于人类轨迹预测的时空交互建模收录于CVPR2020作者：Chengxin Wang, Shaofeng Cai, and Gary Tan论文地址：发表时间：摘要轨迹预测是在具有多智能体交互的自治应用程序中预测智能体的未来路径的一项基本且具有挑战性的任务，在智能应用程序中，