HOPE：用于占据流预测的分层时空网络
计算机视觉与模式识别
2022-06-22 v1
摘要
在本报告中，我们介绍了在 CVPR 2022 Waymo Open Dataset Challenges 中占据与流预测挑战赛的解决方案，该方案在排行榜上排名第一。我们提出了一种新颖的分层时空网络，其特点包括时空编码器、由潜变量增强的多尺度聚合器，以及递归分层 3D 解码器。我们使用包括 focal loss 和修改的流追踪损失在内的多种损失来高效引导训练过程。我们的方法取得了 0.8389 的 Flow-Grounded Occupancy AUC，并在排行榜上优于所有其他团队。
引用
@article{arxiv.2206.10118,
title = {HOPE: Hierarchical Spatial-temporal Network for Occupancy Flow Prediction},
author = {Yihan Hu and Wenxin Shao and Bo Jiang and Jiajie Chen and Siqi Chai and Zhening Yang and Jingyu Qian and Helong Zhou and Qiang Liu},
journal= {arXiv preprint arXiv:2206.10118},
year = {2022}
}
备注
1st Ranking Solution for the Occupancy and Flow Prediction of the Waymo Open Dataset Challenges 2022 (http://cvpr2022.wad.vision/)