Transformer 网络用于轨迹预测的内在机理探究
计算机视觉与模式识别
2022-03-23 v1
摘要
Transformer 网络已确立其作为轨迹预测事实上的最优方法的地位，但目前尚无关于其在无他人交互及无社会语境情况下建模人体运动模式能力的系统研究。本文提出了首个关于 Transformer 网络（TF）与双向 Transformer（BERT）用于预测个体人体运动（不含任何附加技巧）的深入研究。我们对输入/输出表示、问题表述与序列建模进行了详尽评估，包括对它们预测多模态未来能力的全新分析。在 ETH+UCY 基准上的对比评估中，TF 与 BERT 均为预测个体运动的顶尖表现者，明显优于 RNN 与 LSTM。此外，它们与包含社会交互与场景语境的更复杂技术相比差距甚微。所有已开展实验的源代码将被发布。
引用
@article{arxiv.2203.11878,
title = {Under the Hood of Transformer Networks for Trajectory Forecasting},
author = {Luca Franco and Leonardo Placidi and Francesco Giuliari and Irtiza Hasan and Marco Cristani and Fabio Galasso},
journal= {arXiv preprint arXiv:2203.11878},
year = {2022}
}
备注
Under review in Pattern Recognition journal