Social GAN : Socially Acceptable Trajectories with Generative Adversarial Networks
- Paper:https://openaccess.thecvf.com/content_cvpr_2018/papers/Gupta_Social_GAN_Socially_CVPR_2018_paper.pdf
- Code(pytorch):https://github.com/agrimgupta92/sgan
简介
SGAN用于行人轨迹预测任务, 行人轨迹预测可以用于许多的方面应用,例如: 自驾车。但是在一个场景中,要预测所有人行走轨迹会有很多挑战出现。
而这篇论文的作者主要针对该模型架构有以下几点贡献:
- a novel variety loss,通过鼓励进行多样化的预测。由原先只能预测单一轨迹,经由改良, 该模型可以提出预测多条轨迹,从这些预测的轨迹里面找出最佳的轨迹。
- 导入Pooling Module,提出新的Pooling 机制来帮助感知场景的周遭所有行人的行走轨迹。
模型架构可以分成三个关键组成部分 : Generator (G), Pooling Module (PM) and Discriminator (D)。
G基于encoder-decoder框架,在该框架中,透过PM连接encoder-decoder的hidden states。
G将场景中所有行人过去轨迹作为输入,并输出所有行人的未来预测轨迹。
D输入包括输入实际行人轨迹和未来预测轨迹的整个序列,并判断是’’real/fake’’。