CAR-Net：先知式注意力循环网络
计算机视觉与模式识别
2018-08-01 v3
摘要
我们提出了一种可解释的路径预测框架，其利用了智能体行为与其空间导航环境之间的依赖关系。我们利用两类信息：感兴趣智能体的历史运动轨迹，以及导航场景的大范围俯视图像。我们提出了一种先知式注意力循环网络（CAR-Net），其在求解路径预测任务时学习在场景的大幅图像中该关注何处。我们的方法在预测智能体轨迹时，可以关注原始图像中的任意区域或区域组合（例如道路交叉口）。这使我们能够可视化影响轨迹预测的导航场景中的细粒度语义要素。为研究空间对智能体轨迹的影响，我们构建了一个由数百个场景（一级方程式赛车赛道）俯视图像组成的新数据集，其中智能体行为受图像中已知区域（例如即将到来的弯道）的强烈影响。CAR-Net 成功地关注到这些显著区域。此外，CAR-Net 在标准轨迹预测基准 Stanford Drone Dataset（SDD）上达到了最先进的精度。最后，我们展示了 CAR-Net 对未见场景的泛化能力。
引用
@article{arxiv.1711.10061,
title = {CAR-Net: Clairvoyant Attentive Recurrent Network},
author = {Amir Sadeghian and Ferdinand Legros and Maxime Voisin and Ricky Vesel and Alexandre Alahi and Silvio Savarese},
journal= {arXiv preprint arXiv:1711.10061},
year = {2018}
}
备注
The 2nd and 3rd authors contributed equally