用于时空域偏移帧预测的双编码 U-Net
机器学习
2021-10-22 v1 人工智能
计算机视觉与模式识别
摘要
过去 18 个月中，城市范围的移动行为图景已显著改变。对此类行为做出准确可靠预测的能力也随 COVID-19 措施影响全球人口与移动各层面的交互而剧烈变化。这引出一个问题：“如何利用丰富的疫情前移动数据，在当下/疫情后环境中对未来行为做出预测？”本文试图通过引入一种交通帧预测方法来解决此问题，该方法使用仅由 12 个卷积层构建的轻量双编码 U-Net，其包含了卷积 LSTM 层间跳跃连接的新颖处理方式。该方法结合对训练数据的直观处理，可建模时间域与时空域偏移（gitlab.com/alchera/alchera-traffic4cast-2021）。
引用
@article{arxiv.2110.11140,
title = {Dual Encoding U-Net for Spatio-Temporal Domain Shift Frame Prediction},
author = {Jay Santokhi and Dylan Hillier and Yiming Yang and Joned Sarwar and Anna Jordan and Emil Hewage},
journal= {arXiv preprint arXiv:2110.11140},
year = {2021}
}
备注
8 pages, 4 figures, 5 tables