使用视觉 Transformer 学习人类运动先验
计算机视觉与模式识别
2025-01-31 v1 机器人学
摘要
对人类在特定情境中移动位置、常用路径与速度以及停止位置的清晰认识，对不同应用（如城市交通研究或人类密集环境中的机器人导航任务）至关重要。本文提出一种基于视觉 Transformer（ViT）的神经网络架构，以提供上述信息。该方案可谱系比基于卷积神经网络（CNN）更有效地捕捉空间关联性。本文描述了方法与 proposed 神经网络架构，并展示了基于标准数据集的实验结果。我们表明，所提出的 ViT 架构在指标上优于基于 CNN 的方法。
引用
@article{arxiv.2501.18543,
title = {Learning Priors of Human Motion With Vision Transformers},
author = {Placido Falqueto and Alberto Sanfeliu and Luigi Palopoli and Daniele Fontanelli},
journal= {arXiv preprint arXiv:2501.18543},
year = {2025}
}
备注
2024 IEEE 48th Annual Computers, Software, and Applications Conference (COMPSAC). IEEE, 2024