Pishgu：面向实时信息物理边缘系统的通用路径预测网络架构
计算机视觉与模式识别
2023-03-13 v3 机器学习
图像与视频处理
摘要
路径预测是许多现实世界信息物理系统（CPS）应用的一项基本任务，从自动驾驶、交通监测/管理到行人/工人安全。这些现实世界CPS应用需要一种鲁棒、轻量的路径预测，能为来自不同视角的多类主体提供通用网络架构。然而，大多数现有算法是针对特定相机视角与场景下的单一主体量身定制的。本文提出Pishgu，一种通用轻量网络架构，作为路径预测的鲁棒整体解决方案。Pishgu的架构可适应具有不同主体（车辆、行人）、视角（鸟瞰、高角）和场景（人行道、高速公路）的多个路径预测域。我们提出的架构通过利用图同构网络与注意力模块捕获每帧内主体间的相互依赖关系。我们在三个不同CPS域（车辆鸟瞰视图、行人鸟瞰视图、人体高角视图）上分别训练并评估了架构效能。在车辆鸟瞰视图域中，Pishgu在ADE和FDE上分别优于最先进方案42%和61%；在行人高角视图域中分别优于23%和22%。此外，我们分析了各数据集的域特定细节以理解其对路径预测与模型解释的影响。最后，我们报告了所有三个域在多个嵌入式平台上的延迟与吞吐量，展示了Pishgu在现实CPS应用集成中的鲁棒性与适应性。
引用
@article{arxiv.2210.08057,
title = {Pishgu: Universal Path Prediction Network Architecture for Real-time Cyber-physical Edge Systems},
author = {Ghazal Alinezhad Noghre and Vinit Katariya and Armin Danesh Pazho and Christopher Neff and Hamed Tabkhi},
journal= {arXiv preprint arXiv:2210.08057},
year = {2023}
}