Social-Implicit：重新思考轨迹预测评估及隐式最大似然估计的有效性
计算机视觉与模式识别
2022-09-13 v2 机器学习
机器人学
摘要
Best-of-N（BoN）平均位移误差（ADE）/最终位移误差（FDE）是评估轨迹预测模型最常用的指标。然而，BoN并未量化生成的全部样本，导致对模型预测质量和性能的认识不完整。我们提出新指标平均马哈拉诺比斯距离（AMD）来解决此问题。AMD是一种量化全部生成样本与真值接近程度的指标。我们还引入了平均最大特征值（AMV）指标，用于量化预测的整体散布程度。我们的指标经实证验证：ADE/FDE对分布偏移不敏感，会给出有偏的准确度感知，而AMD/AMV指标则不同。我们引入隐式最大似然估计（IMLE）替代传统生成模型来训练我们的模型Social-Implicit。IMLE训练机制与AMD/AMV的目标一致，即预测接近真值且散布紧凑的轨迹。Social-Implicit是一个内存高效的深度模型，仅有5.8K参数，以约580Hz实时运行并取得有竞争力的结果。相关问题的交互演示见 https://www.abduallahmohamed.com/social-implicit-amdamv-adefde-demo 。代码见 https://github.com/abduallahmohamed/Social-Implicit 。
引用
@article{arxiv.2203.03057,
title = {Social-Implicit: Rethinking Trajectory Prediction Evaluation and The Effectiveness of Implicit Maximum Likelihood Estimation},
author = {Abduallah Mohamed and Deyao Zhu and Warren Vu and Mohamed Elhoseiny and Christian Claudel},
journal= {arXiv preprint arXiv:2203.03057},
year = {2022}
}
备注
Accepted at ECCV 2022