SRA-LSTM：用于行人轨迹预测的社会关系注意力长短期记忆网络
计算机视觉与模式识别
2021-04-01 v1 人工智能
摘要
面向监控视频的行人轨迹预测是计算机视觉领域的重要研究课题之一，也是智能监控系统的关键技术。行人之间的社会关系是影响行人行走模式的关键因素，但在已有文献中大多被忽略。具有不同社会关系的行人在目标行人的运动决策中扮演不同角色。受此启发，我们提出一种社会关系注意力 LSTM（SRA-LSTM）模型来预测未来轨迹。我们设计了一个社会关系编码器，通过每对行人之间的相对位置来获取其社会关系的表示。随后，利用社会关系特征与潜在运动来获取该对行人的社会关系注意力。通过利用社会关系注意力聚合来自邻近行人的运动信息，实现了社会交互建模。在两个公开步行行人视频数据集（ETH 和 UCY）上的实验结果表明，与当前最优（SOTA）方法相比，我们的模型取得了更优的性能。与其他注意力方法的对比实验也证明了社会关系注意力的有效性。
引用
@article{arxiv.2103.17045,
title = {SRA-LSTM: Social Relationship Attention LSTM for Human Trajectory Prediction},
author = {Yusheng Peng and Gaofeng Zhang and Jun Shi and Benzhu Xu and Liping Zheng},
journal= {arXiv preprint arXiv:2103.17045},
year = {2021}
}
备注
Submitted to Neural Computing and Applications