- 博客(14)
- 收藏
- 关注
RSS订阅翻译 SoPhie
Sophie：一种用于预测符合社会和物理约束的路径的细心GAN本文研究了场景中多个交互Agent的路径预测问题，这是自动驾驶汽车和社交机器人等许多自主平台的关键一步。我们提出了Sophie；一个基于生成性对抗网络(GAN)的可解释框架，它利用了两个信息源，即一个场景中所有代理的路径历史和使用场景图像的场景上下文信息。要预测座席的未来路径，必须利用物理和社会信息。以前的工作没有成功地联合建...
2019-12-09 13:42:46
840
翻译 SS LSTM全文翻译
SS-LSTM：一种用于行人轨迹预测的分层LSTM模型由于场景的拥挤和杂乱，行人轨迹预测是一个极具挑战性的问题。以往的基于深度学习的LSTM方法关注的是行人对周围环境的影响，而忽略了行人轨迹预测中的场景布局。在本文中，提出了一种新颖的基于LSTM的层次化网络，以同时考虑社会邻域和场景布局的影响。我们的SS-LSTM是Social-Scene-LSTM的缩写，它使用三种不同的LSTM来捕获...
2019-12-05 16:36:49
2539
翻译 cLSTM全文翻译
cLSTM基于相干回归神经网络的人群场景理解探索人群动力学对于理解人群场景是必不可少的，但由于人群行为中的非线性特征和连贯的时空运动模式，这仍然是一项具有挑战性的任务。为了解决这些问题，我们提出了一种相干的长短期记忆(CLSTM)网络，通过学习人群运动的信息表示来捕捉非线性人群动力学，这有助于人群场景分析中的关键任务。通过使用KeyPoint tracklet云描述人群运动模式，我们...
2019-12-04 19:55:51
1607
翻译 Data Driven Crowd全文翻译
基于生成对抗网络的数据驱动人群模拟（CASA2019）本文提出了一种新的数据驱动的人群模拟方法，可以模拟给定环境下行人的观察交通。给定一组观察到的轨迹，我们使用一种最近形式的神经网络，生成性对抗网络(GANS)，来学习这个集合的属性，并生成具有类似属性的新轨迹。我们定义了一种模拟行人(代理)在处理局部碰撞避免时遵循这样的轨迹的方法。因此，系统可以生成行为类似于观察的人群，同时仍然能够实现...
2019-12-04 16:38:45
1209
翻译 CIDNN全文翻译
用于行人轨迹预测的深度神经网络编码人群交互由于人类的复杂性，行人轨迹预测是一项具有挑战性的任务。在本文中，我们在深度学习框架内通过考虑每个行人的运动信息及其与人群的交互来解决这个问题。具体地说，受深度学习中残差学习的启发，我们提出对每个行人的相邻帧之间的位移进行顺序预测。为了预测这种位移，我们设计了一种人群交互深度神经网络(CIDNN)，该网络考虑了不同行人对目标行人位移预测的不同重要性...
2019-12-04 14:33:12
988
翻译 Social Attention
摘要--在人群中导航的机器人需要能够规划安全、高效和人类可预测的轨迹。这是一个特别具有挑战性的问题，因为它需要机器人预测人群中未来的人类轨迹，在人群中每个人都隐含地相互合作以避免碰撞。先前的人类轨迹预测方法已将人与人之间的相互作用建模为接近度的函数。然而，这并不一定是真的，因为在我们附近的一些人朝同一个方向移动可能不像其他更远的人那么重要，但这可能会在未来与我们相撞。在这项工作中，我们提出了社会注...
2019-12-04 09:34:28
1295
翻译 Car Net全文翻译
CAR-NET：透视性注意力递归网络抽象的。我们提出了一个可解释的路径预测框架，该框架利用了代理行为与其空间导航环境之间的依赖关系。我们利用两个信息源：感兴趣的代理过去的运动轨迹和导航场景的宽顶视图图像。我们提出了一种Clairvoyant注意递归网络(CAR-Net)，它在解决路径预测任务时学习在场景的大图像中查看哪里。当预测代理的轨迹时，我们的方法可以关注原始图像(例如道路交叉口)内...
2019-12-04 09:31:47
1140
翻译 Group LSTM全文翻译
群体LSTM：拥挤场景中的群体轨迹预测抽象的。拥挤场景的分析是视觉监控中最具挑战性的场景之一，需要考虑多种因素，例如环境的结构，以及相互遮挡和障碍的存在。传统预测方法(如RNN，LSTM，VAE等)。基于行人的精确运动历史，专注于预测个人的未来路径。然而，由于跟踪算法在高密度场景中通常是不可靠的，因此这些方法在实际环境中不容易应用。然而，人们(朋友、夫妇、家庭成员等)。倾向于表现出连贯的...
2019-11-27 19:59:56
1482
1
翻译 Social GAN全文翻译
社交GAN：生成性对抗网络的社会可接受轨迹如果自主移动平台(如自动驾驶汽车和社交机器人)要在以人为中心的环境中导航，那么理解人类运动行为是至关重要的。这是具有挑战性的，因为人体运动本质上是多模态的：考虑到人类运动路径的历史，有许多社会上可行的方式，人们可以在未来移动。我们通过结合来自序列预测和生成性对抗网络的工具来解决这个问题：循环的序列到序列模型观察运动历史并预测未来的行为，使用一种新...
2019-11-26 16:27:28
3334
翻译 Social LSTM全文翻译
社会LSTM：拥挤空间中的人体轨迹预测行人遵循不同的轨迹以避开障碍物并容纳同行的行人。任何在这种场景中导航的自动车辆都应该能够预见行人的未来位置，并相应地调整其路径以避免碰撞。这个轨迹预测问题可以看作是一个序列生成任务，我们感兴趣的是根据人们过去的位置预测他们未来的轨迹。根据最近用于序列预测任务的递归神经网络(RNN)模型的成功，我们提出了一种LSTM模型，该模型可以学习一般的人体运动并...
2019-11-25 15:23:35
4895
原创 简单了解LSTM
NN神经网络，输入层，隐藏层，输出层DNN深度神经网络，输入层。多个隐藏层，输出层DNN不能解决序列问题RNN在DNN的基础上为了解决序列数据提出的中间的那个环，Hidden state是RNN提出来的输出的ht，不仅仅是输出，还会当成下一个时间的输入输入时一个序列，X0到Xt计算公式上的差别DNN就是每层节点加权求和，套一个激活函数RNN时不单有当...
2019-11-21 18:06:28
325
原创 Crowd by Example重点整理
结果视频：https://www.youtube.com/watch?v=obe5uO56cTI这篇文章的问题是给一段真实的人群视频，能够生成出一段具有原视频中的行人的行为特点的轨迹视频。方法是把原视频每个人一段时间的轨迹提取出来，同时提取这个人周围人在一段时间内的轨迹，还有周围障碍物的信息，算是一个数据。可视化的话是这个样子以这个人当前时刻为中心点，有他的速度，和周围人一段时间的...
2019-11-21 16:23:22
327
翻译 Crowds by Example全文翻译
Crowds by Example我们提出了一种基于示例的人群模拟技术。大多数人群模拟技术都假设人群中每个人所表现出的行为可以由一组受限的规则来定义。这一假设限制了模拟代理的行为复杂性。通过从现实世界的示例中学习，我们的自主代理显示了复杂的自然行为，这些行为在人群模拟中通常会丢失。示例是从真实行人人群的跟踪视频片段中创建的。在模拟过程中，自主代理搜索与其面临的情况密切匹配的示例。真实的人...
2019-11-21 16:10:52
937
1
转载 python的Argparse模块
转自https://blog.youkuaiyun.com/chengxuyuanyonghu/article/details/59716405一、简介：argparse是python用于解析命令行参数和选项的标准模块，用于代替已经过时的optparse模块。argparse模块的作用是用于解析命令行参数，例如 python parseTest.py input.txt output.txt ...
2019-09-19 15:08:22
180
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人