揭示缺失模式：面向轨迹填补与预测的统一框架
计算机视觉与模式识别
2023-03-29 v1
摘要
轨迹预测是从观测序列中理解实体运动或人类行为的一项关键任务。然而，当前方法通常假设观测序列是完整的，却忽略了由物体遮挡、视野限制、传感器故障等引起的缺失值的可能性。这一局限不可避免地阻碍了轨迹预测的精度。为解决此问题，本文提出一个统一框架——基于图的条件变分循环神经网络（GC-VRNN），可同时执行轨迹填补与预测。具体而言，我们引入一种新颖的多空间图神经网络（MS-GNN），能够从不完整观测中提取空间特征并利用缺失模式。此外，我们采用带有专门设计的时序衰减（TD）模块的条件 VRNN 来捕捉不完整轨迹中的时间依赖关系与时序缺失模式。TD 模块的引入使得有价值的信息得以通过时间流传递。我们还整理并基准化了三个面向轨迹填补与预测联合问题的实用数据集。大量实验验证了我们所提方法的卓越性能。据我们所知，这是首项以统一方式解决轨迹填补与预测缺乏基准与技术的工作。
引用
@article{arxiv.2303.16005,
title = {Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction},
author = {Yi Xu and Armin Bazarjani and Hyung-gun Chi and Chiho Choi and Yun Fu},
journal= {arXiv preprint arXiv:2303.16005},
year = {2023}
}
备注
Accepted by CVPR 2023, Supplementary Material at https://github.com/colorfulfuture/GC-VRNN