AFC-RNN:适应性遗忘控制的循环神经网络用于行人轨迹预测

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 人工智能的人工智能

背景情况:

• 对于计算机视觉任务来说,行人轨迹预测至关重要.
• 循环神经网络 (RNN) 通常用于像轨迹这样的时间序列数据.
• 现有的RNN方法无法充分模拟行人记忆和遗忘特征.

研究的目的:

• 为改进行人轨迹预测提出一个适应性遗忘控制的循环神经网络 (AFC-RNN).
• 引入一个自适应式遗忘控制器 (AFC),以自适应方式管理历史数据的遗忘.
• 提高轨迹预测模型的准确性和可靠性.

主要方法:

• 开发了一个自适应性遗忘控制器 (AFC),使用自我注意机制来学习记忆因素.
• 将AFC集成到一个循环神经网络 (RNN) 框架中,创建了AFC-RNN.
• 调节了在每个时间步骤中遗忘历史轨迹特征的程度.

主要成果:

• 与ETH,UCY,SDD和NBA数据集的最先进方法相比,AFC-RNN表现出更高的性能.
• 广泛的实验和废弃研究证实了拟议方法的有效性.
• 数学分析证实了自适应性遗忘对传统RNN遗忘模型的优势.

结论:

• 拟议的AFC-RNN通过自适应地控制历史信息遗忘,有效地模拟行人轨迹预测.
• 新的自适应忘记控制器 (AFC) 显著提高了预测准确性.
• 这种方法为计算机视觉中轨迹预测提供了更强大,更准确的解决方案.