Social GAN: Socially Acceptable Trajectories with Generative Adversarial Networks

時間 2019-12-05

標籤 social gan socially acceptable trajectories generative adversarial networks 简体版

原文原文鏈接

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 函數

1. 背景與動機：學習

本文嘗試用 RNN based GAN 來進行行人軌跡的預測，如上圖所示。前人的工做主要存在以下的兩個缺點：編碼

1). 他們僅建模了近鄰的行人，因此，他們沒法高校的建模一個場景中全部人的交互。spa

2). 他們用常見的損失函數來最小化 GT 和預測的結果之間的歐氏距離，來嘗試去學習「average behavior」。設計

本文的目標是學習多個「Good Behaviors」，即，多個社交上可接受的軌跡。code

2. 算法設計：blog

以下圖所示，本文嘗試用 GAN 的方法來建模該問題。

給定初始的軌跡，做者用 LSTM 來進行編碼，而後獲得向量化的表達，而且用 Pooling module 來進行信息的交互，而後將交互後的信息，輸入到解碼器（另外一個 LSTM 模型）。至此，GAN 中的 generator 部分算是完成了，咱們就獲得了預測的軌跡結果。而後咱們將該軌跡，輸入到判別器中（即，以前的 encoder），進行是真是假的判斷。

3. 主要創新點：

整個流程下來，做者總結其創新點爲：Pool module 以及 多樣化的樣本生成。

3.1 關於 Pooling module：

爲了聯合的進行多個行人的推理，咱們須要一種機制來在多個 LSTM 模型進行信息共享。Social Pooling 經過 grid based pooling 機制來解決該問題。然而，這種方法速度很慢，而且沒法捕獲全局內容。

如圖 2 所示，這能夠經過將輸入的座標傳送到多層感知機，而後一個 symmetric function（做者用的是 Max-Pooling）來解決。

3.2 估計多樣性的樣本生成：

4. Experiment：