Social GAN: Socially Acceptable Trajectories with Generative Adversarial Networks

时间 2019-12-05

标签 social gan socially acceptable trajectories generative adversarial networks 繁體版

原文原文链接

Social GAN: Socially Acceptable Trajectories with Generative Adversarial Networksgit

2019-06-01 09:52:46github

Paper: http://openaccess.thecvf.com/content_cvpr_2018/papers/Gupta_Social_GAN_Socially_CVPR_2018_paper.pdf算法

Code: https://github.com/agrimgupta92/sgan 函数

1. 背景与动机：学习

本文尝试用 RNN based GAN 来进行行人轨迹的预测，如上图所示。前人的工做主要存在以下的两个缺点：编码

1). 他们仅建模了近邻的行人，因此，他们没法高校的建模一个场景中全部人的交互。spa

2). 他们用常见的损失函数来最小化 GT 和预测的结果之间的欧氏距离，来尝试去学习 “average behavior”。设计

本文的目标是学习多个 “Good Behaviors”，即，多个社交上可接受的轨迹。code

2. 算法设计：blog

以下图所示，本文尝试用 GAN 的方法来建模该问题。

给定初始的轨迹，做者用 LSTM 来进行编码，而后获得向量化的表达，而且用 Pooling module 来进行信息的交互，而后将交互后的信息，输入到解码器（另外一个 LSTM 模型）。至此，GAN 中的 generator 部分算是完成了，咱们就获得了预测的轨迹结果。而后咱们将该轨迹，输入到判别器中（即，以前的 encoder），进行是真是假的判断。

3. 主要创新点：

整个流程下来，做者总结其创新点为：Pool module 以及 多样化的样本生成。

3.1 关于 Pooling module：

为了联合的进行多个行人的推理，咱们须要一种机制来在多个 LSTM 模型进行信息共享。Social Pooling 经过 grid based pooling 机制来解决该问题。然而，这种方法速度很慢，而且没法捕获全局内容。

如图 2 所示，这能够经过将输入的坐标传送到多层感知机，而后一个 symmetric function（做者用的是 Max-Pooling）来解决。

3.2 估计多样性的样本生成：

4. Experiment：