Semantics-STGCNN：一种用于多类轨迹预测的语义引导时空图卷积网络
计算机视觉与模式识别
2021-08-11 v1
摘要
由于轨迹模式的多样性，在真实场景中预测多类道路使用者的运动轨迹是一项具有挑战性的任务。尽管近期关于行人轨迹预测的研究成功基于相对距离对周围邻居的影响进行了建模，但它们在多类轨迹预测上效果不佳。这是因为它们忽略了不同类型道路使用者之间的隐式相关性对待预测轨迹的影响——例如，附近的行人与附近的汽车具有不同程度的影响力。在本文中，我们提出将类别信息引入图卷积神经网络，以更好地预测个体的轨迹。我们将周围物体的类别标签嵌入到标签邻接矩阵 (LAM) 中，并将其与由物体速度组成的基于速度的邻接矩阵 (VAM) 相结合，从而生成语义引导的图邻接矩阵 (SAM)。SAM 利用可训练参数有效地建模语义信息，以自动学习将有助于固定基于速度轨迹的嵌入标签特征。这种时空依赖信息被传递给图卷积和时间卷积网络，以估计预测的轨迹分布。我们进一步提出了新的指标，称为平均平均位移误差 和平均最终位移误差，能够更准确地评估网络精度。我们将我们的框架称为 Semantics-STGCNN。在现有指标和新提出的指标上，它始终表现出优于 SOTA 的性能。
引用
@article{arxiv.2108.04740,
title = {Semantics-STGCNN: A Semantics-guided Spatial-Temporal Graph Convolutional Network for Multi-class Trajectory Prediction},
author = {Ben A. Rainbow and Qianhui Men and Hubert P. H. Shum},
journal= {arXiv preprint arXiv:2108.04740},
year = {2021}
}