SR-LSTM：面向行人轨迹预测的LSTM状态精炼
计算机视觉与模式识别
2019-03-08 v1
摘要
在人群场景中，可靠预测行人轨迹需要对其社会行为有深入的理解。这些行为已被大量研究充分探讨，却难以通过手工规则完整表达。近期基于LSTM网络的研究显示出学习社会行为的强大能力。然而，许多此类方法依赖先前的邻近隐藏状态，却忽略了邻居重要的当前意图。为解决该问题，我们提出一种面向LSTM网络的数据驱动状态精炼模块（SR-LSTM），其激活对邻居当前意图的利用，并通过消息传递机制联合且迭代地精炼人群中所有参与者的当前状态。为有效提取邻居的社会影响，我们进一步引入由逐元素运动门与逐行人注意力组成的社会感知信息选择机制，以从邻近行人中选择有用消息。在两个公开数据集（即ETH和UCY）上的实验结果表明了我们提出的SR-LSTM的有效性，并取得了最先进的性能。
引用
@article{arxiv.1903.02793,
title = {SR-LSTM: State Refinement for LSTM towards Pedestrian Trajectory Prediction},
author = {Pu Zhang and Wanli Ouyang and Pengfei Zhang and Jianru Xue and Nanning Zheng},
journal= {arXiv preprint arXiv:1903.02793},
year = {2019}
}
备注
Accepted by CVPR2019