現(xiàn)代社會,預測人群場景中的群體行為,得到多個人群之間交互的未來軌跡已經(jīng)成為復雜場景下的研究熱點,在計算機視覺等領(lǐng)域中引起了廣泛的關(guān)注,基于現(xiàn)有的軌跡預測框架,結(jié)合各大代表性軌跡預測算法的理論基礎(chǔ),本論文提出了一種新的基于生成對抗網(wǎng)絡(luò)的可解釋模型。本論文以場景中所有行人的歷史軌跡數(shù)據(jù)和原始場景圖片數(shù)據(jù)作為模型的輸入,在生成對抗網(wǎng)絡(luò)框架的基礎(chǔ)上,新引入了物理注意力機制和社會注意力機制對軌跡預測進行雙重考慮,得到更符合物理及社會規(guī)范的行人未來預測軌跡。本文具體的研究內(nèi)容如下:（1）在生成對抗網(wǎng)絡(luò)框架的基礎(chǔ)上,新引入了物理注意力機制和社會注意力機制。物理注意力模塊有助于網(wǎng)絡(luò)提取場景的地形等背景信息,得到更值得關(guān)注的重要區(qū)域,避免無效的預測,增加預測的準確性;社會注意力模塊能夠聚合不同行人之間的信息并提取來自周圍行人的最重要的軌跡信息,使得此方法能夠預測出符合社會規(guī)范的路徑。物理及社會雙注意力機制的補充,彌補了傳統(tǒng)預測算法未考慮到場景環(huán)境信息的問題,實現(xiàn)了對行人更合理更精確的預測。（2）本文使用生成對抗網(wǎng)絡(luò)作為預測算法的基本框架下,使得本模型同時也能夠?qū)崿F(xiàn)對行人未來軌跡的多模態(tài)預測。軌跡多模態(tài)的... 

【文章來源】：大連海事大學遼寧省 211工程院校

【文章頁數(shù)】：61 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 本課題研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文研究內(nèi)容
    1.4 本文的結(jié)構(gòu)安排
2 軌跡預測相關(guān)技術(shù)介紹
    2.1 視覺注意力機制介紹
        2.1.1 軟注意力和硬注意力
        2.1.2 時間注意力和空間注意力
        2.1.3 占據(jù)網(wǎng)格
        2.1.4 鄰居注意力機制
        2.1.5 分層LSTM機制
    2.2 Social-GAN軌跡預測模型介紹
    2.3 VGGnet-16卷積神經(jīng)網(wǎng)絡(luò)
    2.4 生成對抗網(wǎng)絡(luò)
3 基于生成對抗機制的群體行為預測方法
    3.1 物理及社會注意力機制
        3.1.1 物理注意力機制
        3.1.2 社會注意力機制
    3.2 整體網(wǎng)絡(luò)結(jié)構(gòu)概述
    3.3 場景信息處理模塊
    3.4 生成對抗模塊
4 基于生成對抗機制的群體行為預測方法實驗
    4.1 生成對抗網(wǎng)絡(luò)機制的多模態(tài)生成性質(zhì)驗證
        4.1.1 變分自編碼器
        4.1.2 生成對抗網(wǎng)絡(luò)
        4.1.3 仿真實驗設(shè)計
    4.2 模型訓練采用的行人數(shù)據(jù)集介紹
    4.3 實驗中涉及的配置參數(shù)及中間維度詳細介紹
    4.4 行人軌跡預測實驗效果比對
    4.5 注意力機制及軌跡預測效果可視化展示
    4.6 人群數(shù)據(jù)集
        4.6.1 真實與仿真人群數(shù)據(jù)集簡介
        4.6.2 人群聚類算法效果
結(jié)論
參考文獻
致謝
作者簡歷及攻讀碩士學位期間的科研成果


【參考文獻】：
期刊論文
[1]生成式對抗網(wǎng)絡(luò)研究進展[J]. 王萬良,李卓蓉.  通信學報. 2018(02)
[2]神經(jīng)網(wǎng)絡(luò)中的注意力機制[J]. Adam Kosiorek.  機器人產(chǎn)業(yè). 2017(06)



本文編號：3179845