【轨迹预测】GraphTCN: Spatio-Temporal Interaction Modelingfor Human Trajectory Prediction

论文地址：

https://openaccess.thecvf.com/content/WACV2021/papers/Wang_GraphTCN_Spatio-Temporal_Interaction_Modeling_for_Human_Trajectory_Prediction_WACV_2021_paper.pdfhttps://openaccess.thecvf.com/content/WACV2021/papers/Wang_GraphTCN_Spatio-Temporal_Interaction_Modeling_for_Human_Trajectory_Prediction_WACV_2021_paper.pdf

 代码地址：【非官方，可参考下面博文】

GraphTCN: Spatio-Temporal Interaction Modeling for Human Trajectory Prediction_coolsunxu的博客-CSDN博客GraphTCN: Spatio-Temporal Interaction Modeling for Human Trajectory Predictionhttps://blog.csdn.net/coolsunxu/article/details/105993644

网络整体结构如图所示：

 问题描述： 

 如图2所示，GraphTCN由三个关键模块组成，包括边缘特征图注意(EFGAT)模块、时间卷积(TCN)模块和一个解码器（Decoder）。

首先，将每个行人的绝对位置和相对位置嵌入到一个固定长度的隐藏空间中，并将这些轨迹特征输入到EFGAT模块。将残差学习机制和跳跃连接纳入网络中，以促进梯度反向传播，并鼓励中间特征的重用。TCN模块是一个前馈的一维卷积网络，具有一个门控激活单元，用于捕获最显著的特征。最后，解码器模块生成所有行人的未来轨迹。

EFGAT Module for Spatial Interaction

同一时刻的行人可以用有向图来进行表示

 节点表示行人，边表示行人间的交互。

图的邻接矩阵表示行人的空间关系 

 在这个任务中，将节点的空间关系表示为一个非对称的、非负的矩阵，因为agent之间的影响应该根据它们的相对运动行为而不同。因此，作者不引入具有无向空间距离的图，而是引入相对空间位置作为邻接矩阵的先验边缘特征知识。

 其中，φs（·）通过线性变换将相对距离特征嵌入到更高维的F1，Ws为嵌入权重。

将可学习的边权值和节点特征输入图3所示的图注意层，以捕获空间交互。

未完！