Graph2Kernel Grid-LSTM：通过自适应邻域学习实现行人轨迹预测的多线索模型
计算机视觉与模式识别
2020-07-09 v2
摘要
行人轨迹预测是一个突出的研究方向，已朝着建模人群社交与上下文交互的方向发展，并广泛利用长短期记忆网络（Long Short-Term Memory, LSTM）对行走轨迹进行时间表示。现有方法使用虚拟邻域作为固定网格来汇聚行人的社交状态，并通过调参过程控制社交交互的捕获方式。这导致性能针对特定场景定制，却降低了方法的泛化能力。在我们的工作中，我们部署了 LSTM 的近期扩展 \textit{Grid-LSTM}，其可处理多维特征输入。我们提出行人邻域可在设计上变为自适应，从而为交互建模提供新视角。我们使用 \textit{Grid-LSTM} 作为编码器，在给定视觉与空间边界的情况下，学习潜在的未来邻域及其对行人运动的影响。我们的模型在多个公开测试的监控视频上优于那些整合相似特征的最先进（state-of-the-art）方法。实验结果清晰地展示了我们的方法在场景特征与人群动态各异的数据集上的泛化能力。
引用
@article{arxiv.2007.01915,
title = {Graph2Kernel Grid-LSTM: A Multi-Cued Model for Pedestrian Trajectory Prediction by Learning Adaptive Neighborhoods},
author = {Sirin Haddad and Siew Kei Lam},
journal= {arXiv preprint arXiv:2007.01915},
year = {2020}
}