基于视野域机制的行人轨迹预测

为提高行人在复杂交通场景中交互的安全性,提出一种基于social-GAN(social-generative adversarial network)的行人轨迹预测算法SAN-GAN(social angle norm-GAN)。该算法首先以行人历史位置信息与头部信息为输入,通过轨迹生成器LSTM网络(long short term memory networks)获取行人隐藏特征信息,并基于行人视野域模块捕捉行人视野域动态变化,对所有行人建立扇形视野域并筛选有效信息,从而驱动神经网络模型预测行人未来轨迹变化。将SAN-GAN与LSTM、social-LSTM(social-long short term memory networks)、social-GAN等轨迹预测算法进行对比实验,结果表明SAN-GAN算法相较于其他算法,在预测3.2 s的行人轨迹时,ADE分别平均降低65.8%、51.2%、10.7%,FDE分别平均降低73.6%、60.9%、10.4%。SAN-GAN能够有效地预测行人在复杂交通环境中进行交互的未来轨迹。

面向行人重识别的多域批归一化问题研究

近年来基于深度神经网络的行人重识别算法取得了长足的进步,被广泛应用于网络中的批归一化(batch normalization)模块发挥着重要作用。批归一化模块在多数情况下可有效提高网络收敛速度和训练稳定性,然而当多个独立标注的数据库混合在一块进行跨域或者多域训练时,数据之间的分布差异使得目前的批归一化算法工作逻辑存疑。由于不同批次下训练数据的分布差异较大,归一化过程中的统计参数不稳定导致批归一化效果恶化。该文聚焦于多数据集合并下的行人重识别模型训练问题,通过对多数据集分布差异导致的多域模型批归一化存在的问题进行分析。然后针对模型批量归一化算法面对的多域差异,提出了一种解决策略,在多个数据集并行训练下提高了模型的泛化能力。实验结果表明:所提出的多域归一化方法在多域训练下能有效提高模型最终的泛化能力,获得更高的识别准确度,并且可应用于其他行人重识别网络以进一步提升模型性能。