Forecast-MAE：基于掩码自编码器的运动预测自监督预训练
机器人学
2023-08-22 v1 计算机视觉与模式识别
摘要
本研究探索了自监督学习（SSL）在运动预测任务中的应用，尽管 SSL 在计算机视觉与自然语言处理中已取得广泛成功，该领域尚未得到充分研究。为弥补这一空白，我们提出 Forecast-MAE，一种掩码自编码器框架的扩展，专为运动预测任务的自监督学习而设计。我们的方法包含一种新颖的掩码策略，利用智能体轨迹与道路网络之间的强互联性，对智能体的未来或历史轨迹进行互补掩码，并对车道段进行随机掩码。我们在具有挑战性的 Argoverse 2 运动预测基准上的实验表明，Forecast-MAE 采用具有最小归纳偏置的标准 Transformer 模块，相较于依赖监督学习与复杂设计的当前最优方法取得了具有竞争力的性能。此外，它大幅优于先前的自监督学习方法。代码见 https://github.com/jchengai/forecast-mae。
引用
@article{arxiv.2308.09882,
title = {Forecast-MAE: Self-supervised Pre-training for Motion Forecasting with Masked Autoencoders},
author = {Jie Cheng and Xiaodong Mei and Ming Liu},
journal= {arXiv preprint arXiv:2308.09882},
year = {2023}
}
备注
ICCV2023