Sun_ZD-CSDN博客

原创行人轨迹论文阅读SSAGCN: Social Soft Attention Graph Convolution Network for Pedestrian Trajectory Prediction

SSAGCN: Social Soft Attention Graph Convolution Network for Pedestrian Trajectory Prediction SSAGCN：用于行人轨迹预测的社会软注意力图卷积网络**Abstract-行人轨迹预测是自动驾驶的一项重要技术，近年来已成为研究热点。为了准确预测行人未来的合理轨迹，不可避免地要同时考虑行人之间的社交互动和周围场景的影响。以前的方法主要依靠行人的位置关系来模拟社交互动，这显然不足以代表真实情况下的复杂案例。此外，现有的

2022-03-23 20:26:46 3476 11

原创行人轨迹论文:STUGCN:A Social Spatio-Temporal Unifying Graph Convolutional Network for Trajectory Predictio

STUGCN:A Social Spatio-Temporal Unifying Graph Convolutional Network for Trajectory Prediction用于轨迹预测的社会时空统一图卷积网络Abstract-动态场景中交互代理的轨迹预测，也称为轨迹预测，是许多应用的关键问题，包括机器人系统和自动驾驶。由于行人之间的复杂交互，该问题提出了重大挑战。为了预测未来的行人轨迹，我们提出了一种基于时空图卷积网络架构的时空统一图卷积网络（STUGCN）。在每个时间步，跨时空跳跃连接捕

2022-03-20 16:51:06 5424 1

翻译论文翻译 SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction 用于行人轨迹预测的稀疏图卷积网络

SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction 用于行人轨迹预测的稀疏图卷积网络行人轨迹预测是自动驾驶中的一项关键技术，但由于行人之间复杂的相互作用，该技术仍具有很大的挑战性。然而，以往基于密集无向交互的研究存在建模冗余交互和忽略轨迹运动趋势等问题，不可避免地与实际存在较大偏差。针对这些问题，我们提出了一种用于行人轨迹预测的稀疏图卷积网络(SGCN)。具体来说，SGCN明确地使用稀疏有向空间图对

2021-12-06 20:33:15 6429 68

原创 ubuntu CUDA10.0-11.2安装旧版本mxnet

需要先安装libquadmath.so.0共享库。有关 PyPI 包的功能请求、建议和问题报告，请单击此处创建问题。先决条件该软件包支持 Linux 和 Windows 平台。您可能还想检查：mxnet-cu112 with CUDA-11.2 support.mxnet-cu110 with CUDA-11.0 support.mxnet-cu102 with CUDA-10.2 support.mxnet-cu101 with CUDA-10.1 support.mxnet-cu100

2021-11-22 16:07:42 1405

翻译 4篇cvpr2021 轨迹预测论文

4篇cvpr2021 轨迹预测论文1. Introvert: Human Trajectory Prediction via Conditional 3D Attention2. SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction3. Interpretable Social Anchors for Human Trajectory Forecasting in Crowds4. Pedestrian and

2021-10-26 20:51:30 8774

原创链表的创建及输入输出验证q= p-＞next q-＞next = p-＞next的情况

链表的创建及输入输出#include<iostream>#include<cstdlib>#include<vector>using namespace std;struct ListNode { int val; ListNode* next; ListNode() : val(0), next(nullptr) {}; ListNode(int x) : val(x), next(nullptr) {}; ListNode(int x, Li

2021-07-16 16:23:49 667

转载转载：详解P=Q-＞NEXT和P-＞NEXT=Q的区别，链表操作，附代码

详解P=Q-＞NEXT和P-＞NEXT=Q的区别，附代码单链表简单操作（1）P=Q将q的value和next都赋值给p意味着p和q的value值相同同时都指向q的下一个对象(2)P.NEXT = Q将q赋值给p.next。也就是说p的next中保存的会是q。那么p的下一个节点为q同时p与t的连接断开了(3)P=Q.NEXT理解为q.next（t）赋值给p,也就是将t赋值给p。即t和p的value和next值相同。p和t同时指向t的下一个元素###下面给出代码说明，为便于理解和证明为No

2021-07-16 16:09:34 2891 2

翻译文章翻译：Spatial-Temporal Synchronous Graph Convolutional Networks: A New Framework for Spatial-Temporal

Spatial-Temporal Synchronous Graph Convolutional Networks:A New Framework for Spatial-Temporal Network Data Forecasting摘要1 引言2 Related WorkPreliminaries正文前书页Spatial-Temporal Synchronous Graph Convolutional Network时空同步图卷积网络ExperimentsConclusionA New Frame

2021-06-16 11:40:37 899

原创论文翻译：Attentional Feature Fusion

A Spatial-Temporal Attention Model forHuman Trajectory Prediction摘要1 引言2 Related Work3 Method4 Performance Analysis5 ConclusionHuman Trajectory Prediction)注意力特征融合作者：Yimian Dai1Fabian Gieseke2,3Stefan Oehmcke3Yiquan Wu1Kobus Barnard4论文地址：WACV2021

2021-06-10 19:47:18 2176

原创论文阅读：A Spatial-Temporal Attention Model for Human Trajectory Prediction

A Spatial-Temporal Attention Model forHuman Trajectory Prediction摘要1 引言2 相关工作3 Method4 Experiments5 Discussion6 ConclusionsHuman Trajectory Prediction)人体轨迹预测的时空注意模型作者：Xiaodong Zhao, Yaran Chen,论文地址：IEEE/CAA JOURNAL OF AUTOMATICA SINICA发表时间：备注：论文

2021-03-04 11:22:43 2824 2

原创论文阅读：Dynamic and Static Context-aware LSTM for Multi-agent Motion Prediction

Dynamic and Static Context-aware LSTM for Multi-agent Motion Prediction摘要1 引言2 相关工作3 Method4 Experiments5 Discussion6 Conclusions用于多主体运动预测的动态和静态上下文感知LSTM作者：Chaofan Tao Qinhong Jiang论文地址：发表时间：备注：论文解析代码开源代码解析摘要多主体运动预测具有挑战性，因为它旨在在复杂的场景中同时预测多个主体（

2021-03-01 16:08:31 1505 1

原创论文阅读：A Novel Graph based Trajectory Predictor with Pseudo Oracle

A Novel Graph based Trajectory Predictor with Pseudo Oracle摘要1 引言2 相关工作3 PROPOSED METHODIV. EXPERIMENTAL RESULTS带有 Pseudo Oracle的新型基于图的轨迹预测器作者：Biao Yang, Guocheng Yan论文地址：发表时间：备注：论文解析代码开源代码解析摘要动态场景中的行人轨迹预测在许多应用中仍然是一个充满挑战和关键的问题，例如无人驾驶汽车和具有社交意识的机器

2021-01-26 11:03:50 1364 5

原创论文阅读：Spatial-Temporal Block and LSTM Network for Pedestrian Trajectories Prediction

Spatial-Temporal Block and LSTM Network for Pedestrian Trajectories Prediction 摘要1 引言2 相关工作3 METHOD4. EXPERIMENTAL RESULTS6. CONCLUSION用于行人轨迹预测的时空块和LSTM网络作者：Dan Xiong论文地址：发表时间：备注：提供改善思路论文解析代码开源代码解析摘要在本文中，我们提出了一种新颖的基于LSTM的算法。我们通过考虑静态场景和行人来解决该问题，静

2021-01-21 17:44:49 1061 2

原创文章阅读：Social-STAGE: Spatio-Temporal Multi-Modal Future Trajectory Forecast

Social-STAGE: Spatio-Temporal Multi-Modal Future Trajectory Forecast摘要1 引言2 相关工作3 METHODOLOGY4. EXPERIMENTAL RESULTS5. IMPLEMENTATION AND MODEL DETAILS（实施和模型系节）6. CONCLUSIONSocial-STAGE:时空多模态未来轨迹预测作者：Srikanth Malla Chiho Choi论文地址：https://arxiv.org/abs/

2021-01-08 15:14:04 1047 4

原创文献阅读笔记：EvolveGraph: Multi-Agent Trajectory Prediction with Dynamic Relational Reasoning

文献阅读笔记摘要1 引言2 相关工作3 Problem formulation4 Method4 实验5 结论EvolveGraph: Multi-Agent Trajectory Prediction with Dynamic Relational ReasoningEvolveGraph：具有动态关系推理的多Agent轨迹预测收录于NeurlPS 2020作者：Jiachen Li,Fan Yang,∗Masayoshi ,Tomizuka2,Chiho Choi1论文地址：NeurlPS 2

2021-01-04 11:32:35 1454 2

原创论文翻译：Embedding group and obstacle information in LSTM networks for human trajectory prediction in cr

Embedding group and obstacle information in LSTM networks for human trajectory prediction in crowded scenes摘要1 引言2 相关工作3 社交LSTM模型 Preliminaries: the Social LSTM model4 所提出的方法 The proposed method4 实验5 结论在LSTM网络中嵌入群体和障碍物信息，以在拥挤的场景中进行人体轨迹预测收录于 Computer Visi

2020-12-14 15:48:27 785

Sun_ZD的博客