Social-LSTM CVPR 2016阅读记录

最新推荐文章于 2024-04-27 09:47:32 发布
最新推荐文章于 2024-04-27 09:47:32 发布
阅读量600 收藏 4
点赞数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/yangyoung1223/article/details/104867512
版权

Introduction

这个可以算是MX-LSTM的原型作了，主要贡献在于之前的做法都是用Social force为代表的人工方程来预测

前人已经有人考虑如何使用周边环境的信息来预测人们的行动，只不过他们都有以下两个缺点：
1）用的是自创的方程来建模人和人之间的互动
2）所关注的人之间的互动只包括了那些离得特别近以至于快要撞上的人，没能建模更多的人

然而LSTM有个问题，就是虽然它能处理一条长序列，但是不能找出多条序列之间的依赖关系，解决方法是建造一个Social的池化层，让这些有关系的每个人的LSTM在这里共享隐藏层

相关工作

Social Force 模型一度非常流行，效果也很好，但是不是数据驱动的，这里的方法是数据驱动的

另外的一些预测模型用的都是静态场景信息，这里是动态的人群互动

RNN及其变种LSTM对于时序任务处理非常有用

模型概述

为每个人设置一个LSTM，学习每个人不同的行动特征
然而如果这些LSTM不互相通讯，是不可能理解人和人之间的互动特征的，所以要搞一个公共的池化层
在这里插入图片描述

为了把周围所有个体的隐藏信息同时处理，引入一个Social的池化层，同时处理多个周围个体的隐藏状态，否则会因为一个一个处理而崩掉，池化方程如下
在这里插入图片描述
随后将坐标和收到的隐藏状态信息打包串接送入LSTM
在这里插入图片描述

位姿估计：t 时刻被估算的位置坐标服从高斯分布
在这里插入图片描述
loss function如下
在这里插入图片描述

实验

在ETH和UCY两个数据集下运行
使用
average displacement error,
final displacement error,
average non-linear displacement error三个来衡量
在检测中使用“留一法”
实际是看八帧，预测接下来的十二帧
UCY数据集下的表现要比ETH更好，因为UCY更为稠密，包括更多的人很多的区域，因为人多的条件下人们的动作更容易受到周围人的影响

Future Work

将Social-LSTM扩展到人、车等多种物体共同存在的场景中，每一类分配一个标签
Social-LSTM同时也能描述人和周围环境的互动，也许可以拿来搞事情

Y.Z.A
关注
social-lstm:社会主导的LSTM模型可预测Reddit上的社区间冲突
05-16
社会性LSTM预测社区间冲突 作者： （ ）， （ ） 概述 该软件包包含用于复制预测结果的代码，该论文发表在The Web Conference（ie，WWW）2018论文中。该任务旨在在Reddit.com上预测社区间的动员和冲突。 特别是，我们研究了一个社区（“源”）发布超链接到另一社区（“目标”）的帖子的情况，目标是预测此“交叉链接”帖子是否会导致重大的“动员”参加目标社区的源社区成员的数量。 主要模型是“社会主导的” LSTM，它使用用户和社区的向量嵌入来帮助做出此预测。 特别是，使用“ node2vec”样式的方法学习用户和社区的嵌入，并且我们使用这些嵌入（以及来自交叉链接帖子的文本信息）来预测该帖子是否会导致动员。 有关更多详细信息，请参见和。 如果您使用与此项目关联的代码或数据，请引用以下文章： @inproceedings{kumar2018conflic
social lstm.pptx
03-04
Social LSTM: Human Trajectory Prediction in Crowded Spaces Alexandre Alahi ∗ , Kratarth Goel ∗ , Vignesh Ramanathan, Alexandre Robicquet, Li Fei-Fei, Silvio Savarese Stanford University
Social LSTM:一个预测未来路径轨迹的深度学习模型
热门推荐
deephub
06-26 1万+
本篇文章试图解释描述深度学习模型Social-LSTM的研究论文 Social LSTM的动机 Social LSTM是一种模型，它可以根据行人过去的轨迹数据预测他们未来的轨迹(我们可以为其他类型的物体定制轨迹)。 与其他最先进的轨迹预测模型相比，Social LSTM的性能对比。更多的细节在“结果”部分 大多数早期的模型都受到以下两个假设的限制。 i)他们使用手工制作的函数来为特定设置建模“交互”，而不是以数据驱动的方式推断它们。这导致更倾向于捕捉简单相互作用(例如排斥/吸引)的模型，可能无法适用于更
Social LSTM: Human Trajectory Prediction in Crowded Spaces 论文翻译
qq_42902997的博客
03-02 2230
摘要 行人可沿不同的轨道行走，以避开障碍物及方便其他行人。在这样的场景中行驶的任何自动驾驶车辆都应该能够预见行人未来的位置，并相应地调整其路径以避免碰撞。轨迹预测问题可以看作是一个序列生成任务，我们感兴趣的是根据人们过去的位置来预测他们未来的轨迹。在递归神经网络(RNN)模型用于情景预测任务的基础上，我们提出了一种学习一般人体运动并预测未来运动轨迹的LSTM模型。这与使用手工制作的功能(如社会力量...
social_lstm_keras_tf-master_social_lstm轨迹预测_keras_lstm轨迹预测_行人轨迹_
09-30
social_lstm行人轨迹预测代码，基于keras，在Linux下运行
CVPR16-Social-LSTM.pdf
最新发布
07-23
### 社交LSTM：拥挤空间中的人体轨迹预测 #### 概述 本文介绍了一种基于长短期记忆（LSTM）网络的方法，用于预测在拥挤环境中行人的运动轨迹。该方法利用了LSTM的强大序列预测能力来学习并预测行人未来的行走路径...
SR-LSTM：社会行为驱动的行人轨迹预测
12085SR-LSTM：面向行人轨迹预测张璞1，欧阳万丽2，张鹏飞1，薛建如1，郑南宁11中国西安交通大学人工智能与机器人研究所2悉尼大学SenseTime计算机视觉研究组，澳大利亚zhangpu2016，zpengfei@stu.xjtu.edu.cn，jrxue...
（十二：2020.08.28）CVPR 2016 追踪之论文纲要（译）
Jojo论文基地
08-28 4713
CVPR 2016 追踪之论文纲要（修正于2020.08.28）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这643篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 下面皆为机器翻译以方便我第一次筛选，我会慢慢修正，但现在请结合。有兴趣的可以问我要处理这些论文并自动翻译的脚本。 Respect！ 论文目录
CVPR2018下载+CVPR2018论文百度云+2018CVPR论文下载+2018CVPR百度云
王博（Kings）的博客
06-25 4946
链接：https://pan.baidu.com/s/1QUXtDp5RQVNx-R55TkL13Q 提取码：
CVPR 2019 行为识别 相关论文
qq_36589469的博客
06-13 6187
CVPR2019 Action Recognition 相关论文 Video Action Transformer Network Abstract: We introduce the Action Transformer model for recognizing and localizing human actions in video clips. We repurpose a Trans...
matlab代码先保存在运行-LSTM_Pose_Machines:“LSTM姿态机”（CVPR'18）的代码回购
05-19
matlab代码先保存在运行LSTM姿势机 此回购包括该论文的源代码：（CVPR'18），作者：罗岳，王周霞，孙文秀，潘金山，刘建波，庞佳豪，林良。 联系人：罗罗（） 一切之前 您可以点击下面的图片观看我们基于视频的姿势估计结果。 第一个是与视频上最新的单图像姿态估计方法的比较。 第二个是我们的LSTM姿势机，用于视频姿势估计。 先决条件 该代码已在64位Linux（Ubuntu 14.04 LTS）上进行了测试。 您还应该安装Matlab（R2015a）和OpenCV（至少2.4.8）。 我们已经使用CUDA8.0 + cuDNNv5在GTX TitanX上测试了我们的代码。 在运行我们的代码之前，请安装所有这些先决条件。 安装 获取代码。 git clone https://github.com/lawy623/LSTM_Pose_Machines.git cd LSTM_Pose_Machines 生成代码。 请按照以下步骤安装所有必需的软件包并进行构建。 cd caffe/ # Modify Makefile.config according to your Caffe ins
社交LSTM：深度学习解析社交网络的新视角
gitblog_00072的博客
04-27 346
社交LSTM：深度学习解析社交网络的新视角 去发现同类优质开源项目:https://gitcode.com/ 项目简介 Social LSTM 是一个开源项目，它利用长短期记忆网络（LSTM）对社交网络中的用户行为进行建模和预测。该项目由 QuanCore 开发并维护，旨在探索如何通过深度学习技术理解和预测社交媒体上的用户动态。 技术分析 1. 长短期记忆网络（LSTM） LSTM 是一种特殊类型...
Social LSTM全文翻译
u011252103的博客
11-25 4543
社会LSTM：拥挤空间中的人体轨迹预测 行人遵循不同的轨迹以避开障碍物并容纳同行的行人。任何在这种场景中导航的自动车辆都应该能够预见行人的未来位置，并相应地调整其路径以避免碰撞。这个轨迹预测问题可以看作是一个序列生成任务，我们感兴趣的是根据人们过去的位置预测他们未来的轨迹。根据最近用于序列预测任务的递归神经网络(RNN)模型的成功，我们提出了一种LSTM模型，该模型可以学习一般的人体运动并...
文献翻译：Social LSTM: Human Trajectory Prediction in Crowded Spaces
wangxuecheng666的博客
01-02 1198
这是我阅读的有关轨迹预测的第一篇文献，其内容和使用的模型相对简单，是比较适合的入门篇，我在此把原文翻译分享出来，便于大家交流学习。
（7-5-3）行为预测算法：Social LSTM轨迹预测算法——训练模型
码农三叔
03-27 795
通过定义和调用多个函数，该文件实现了对轨迹数据集的训练和验证，输出训练过程中的损失信息，并保存训练好的模型。（2）定义函数train函数，功能是实现模型的训练过程，遍历训练数据集，计算损失并进行反向传播更新模型参数。该函数处理轨迹数据的批量训练，计算损失函数，并更新模型权重，记录训练过程的性能指标。（4）调用函数main，这是程序的入口点，负责整个轨迹预测模型的训练过程。（1）定义主函数main，主函数负责整个训练流程的入口，包括参数解析、数据集加载、模型初始化、训练和验证循环，以及模型保存等功能。
论文阅读：social lstm：Human Trajectory Prediction in Crowded Spaces
hbhhhxs的专栏
05-15 7911
社会LSTM：拥挤空间中的人类轨迹预测 学习笔记参考：study note: https://www.zybuluo.com/ArrowLLL/note/981714 摘要：行人遵循不同的轨迹以避开障碍物并容纳行人。任何导航这样一个场景的自动驾驶车辆都应该能够预见到行人的未来位置并相应地调整其路径以避免碰撞。轨迹预测的这个问题可以被视为序列生成任务，我们有兴趣根据他们过去的位置预测人的未来轨迹...
（7-5-2）行为预测算法：Social LSTM轨迹预测算法
码农三叔
03-23 1114
在本项目中，文件train_helper.py的作用是提供了训练过程中的辅助函数，特别是 sample 函数，它实现了模型的采样功能。这个文件中的函数通过对 Social LSTM 模型的运用，能够在给定输入轨迹的情况下，生成模型预测的轨迹样本。这在训练过程中是很关键的，因为它允许评估模型对于轨迹生成任务的性能，同时也为模型的监督学习提供了辅助。在本项目中，文件grid.py的主要作用是为 Social LSTM 模型提供输入数据的预处理，具体而言，它生成表示行人在相互网格中占用情况的二进制掩码。
（7-5-1）行为预测算法：Social LSTM轨迹预测算法
码农三叔
03-23 1958
Social LSTM（Long Short-Term Memory）是一种基于LSTM的神经网络模型，专门设计用于处理多智能体系统（multi-agent systems）中的轨迹预测问题。Social LSTM 扩展了传统的LSTM模型，以便更好地处理由多个移动智能体组成的系统的时空数据。在本节的项目中，利用Social-LSTM算法进行行人轨迹预测，目的是研究轨迹数据处理对行人轨迹预测准确性的影响。并且在项目中重写了Social-LSTM算法，使其能够处理标准化和非标准化的完整轨迹预测。
social-lstm
11-30
Social-LSTM是一种基于LSTM的神经网络模型，用于预测行人的轨迹。相比于传统的LSTM模型，Social-LSTM考虑了行人之间的相互影响，即“Social”的概念。在Social-LSTM中，每个行人的轨迹都被表示为一个序列，并输入到...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值