基于时空图联合关系路径的行人轨迹预测框架

时空图被广泛应用于行人轨迹预测等时间序列任务中,如何更精确地捕捉不同时间段的轨迹位置信息以及更充分地利用时空图的结构信息对于轨迹预测至关重要。传统的轨迹预测方法规则复杂、约束性强、可扩展性较差,往往只能应用于特定领域。基于学习的轨迹预测方法不依赖于专家经验的物理规则,根据观察的轨迹数据来学习不同时间段各个空间位置之间的变化规则。基于学习的方法存在一定局限性,如没有充分利用时空图的结构信息,导致轨迹预测模型的性能下降。针对上述问题,提出了一种新型基于时空图联合关系路径的行人轨迹预测框架(Spatio-Temporal Graphs with Relationship Path Trajectory Prediction Framework, STRP-TPF)。STRP-TPF主要包括EdgeRNN和NodeRNN模型。STRP-TPF基于时空图构建关系路径,基于关系路径构建因子图;构建EdgeRNN和NodeRNN模型,并将因子图作为输入;输出下一时刻行人的位置,并且预测完整的行人轨迹。STRP-TPF利用关系路径能够准确捕捉时空图的结构信息,充分学习行人在不同时间和空间点的轨迹关系。...     

基于多算法融合的跌倒行为识别

提出一种多算法融合的跌倒行为识别算法.首先,针对人体目标的特征对YOLOv3 tiny检测算法进行改进,有效框定人体动态目标区域,提取出目标前景;在此基础上利用AlphaPose姿态识别框架识别出人体骨骼关键点,得到人体主要关节图;最后以人体关节图坐标信息为输入,通过时空图卷积神经网络对跌倒等动作进行检测识别,满足对不...     

结合速度控制的时空图网络行人轨迹预测模型

行人轨迹预测中最重要的任务是建立行人轨迹交互模型,针对在模型中缺乏关于时间和速度等信息的建模,提出了一种结合速度控制的时空图网络算法来建立行人交互模型并对轨迹进行预测.整体模型采用条件生成对抗网络架构,其中采用速度预测模块预测行人未来速度并作为条件生成对抗网络的控制条件,显式地将速度信息引入行人轨迹预测,避免较大偏差速度对轨迹的影响。在生成器中设计了基于图卷积注意力机制的时空信息融合模块,在提取行人轨迹序列运动特征并关注其空间上相互作用关系的同时,显式地编码行人序列的时间相关性。最后,将结合时空信息和速度信息的轨迹交互特征解码,完成轨迹的预测。此外,考虑到现有评价方法的不足,采用平均碰撞次数作为轨迹合理性的评判。在公开数据集ETH和UCY上进行验证,实验结果表明,该文所提出的算法能更好地完成行人轨迹预测,平均位移误差为0.40 m和最终位移误差为0.79 m。     

基于路径签名的改进时空图卷积网络

针对时空图卷积网络ST-GCN中GCN的关节邻接图不易学习远端关节之间的语义信息和TCN在描述时间信息方面存在不足的问题,引入了数字签名预处理来增强数据,提出了基于路径签名的改进时空图卷积网络SSIT-GCN。首先将关节位置坐标的时间序列输入签名层进行数据预处理,在该层时间序列通过嵌入算法被转换为多维路径,将其划分为多条路径并计算每条路径的签名特征;其次重新设计GCN的关节邻接矩阵,并用反卷积来代替补零,以保持TCN的尺寸不变,还引入1×1的卷积核增加非线性来改进ST-GCN,得到改进时空图卷积网络SIT-GCN;最后用签名特征代替原始数据输入SIT-GCN,得到最终的输出结果。实验结果表明,基于路径签名的改进时空图卷积网络大大提高了训练精度,缩短了训练时间,对动态手势识别有较好的识别能力和识别速度。     

时空模型及时空运行图

周期性实时系统已被广泛研究,与之相关的自动调度算法主要有三类:优先级驱动的犤1,4,5,7犦、基于速率的犤2,3犦和基于时间的犤8,9犦。这些自动算法虽然能解决许多应用问题,但有时得出的调度方案不一定是最佳的;有时甚至干脆得不出要在整个运行期间均满足要求的调度方案,如某些临界区的存取就可能导致EDF(EarliestDeadlineFirst)犤7犦算法无解。主要原因是单一的算法难以保证适应各种复杂的应用环境。论文从系统的资源划分出发,提出了时空模型及时空运行图的概念,阐述了利用时空图来调整已得调度方案的理由,并通过举例,说明应用时空图确实可能优化自动算法得出的调度方案。     

稀疏移动网络中时延软约束的低能耗路由算法

针对稀疏移动网络中能量高效的数据传输问题,提出一种满足时延软约束的路由算法.将多个时隙的静态网络拓扑建模为虚拟的空时图模型.该空时图模型既包含网络拓扑在每一时隙的连通信息,也包含由移动性引起的链路变化信息.重新定义端到端的路由问题为寻找一条低能耗空时路径,并满足时延软约束.根据重新定义的路由问题,提出一种满足时延软约束的低能耗路由算法.仿真结果表明,该算法可以实现能量消耗与传输时延的权衡.     

基于关键帧定位和时空图卷积的异常行为识别

为提高监控视频中行人异常行为检测效率,提出了结合关键帧定位和时空图卷积的异常行为识别方法。该方法在人体骨架关键点检测的基础上,采用关键点运动特性定位视频中行人异常行为关键序列,利用时空图卷积网络可以提取行人时空特征的优点,在关键帧序列上构建人体骨架时空图,同时建立基于瓶颈残差模块的时空图卷积网络行为识别模型,实现对监控视频中行人异常行为的高效识别。采用自建数据集和公开数据集对该方法有效性进行检验,结果表明,该键帧定位算法可高效实现异常行为定位,结合基于瓶颈残差模块时空图卷积网络,在减少时空图卷积网络计算复杂度的同时提升了网络性能,能够有效判断行人异常行为。     

融合因果关系和时空图卷积网络的人体动作识别

基于人体骨骼的动作识别因具有简洁、鲁棒的特点,近年来受到了广泛的关注.目前大部分基于骨骼的动作识别方法,如时空图卷积网络(ST-GCN),通过提取连续帧的时间特征和帧内骨骼关节的空间特征来区分不同的动作,取得了良好的效果.考虑人体运动中存在的因果性关系,提出了一种融合因果关系和时空图卷积网络的动作识别方法.针对计算关节力矩获取权重复杂的情况,根据关节之间的因果关系为骨骼图分配边权重,并将权重作为辅助信息增强图卷积网络,来提高驱动力较强的关节在神经网络中的权重,降低重要性低的关节的关注度,增强重要性高的关节的关注度.相比ST-GCN等方法,在Kinetics公开数据集上,所提方法无论是Top-1还是Top-5都有较大的提升,在构建的真实太极拳数据集上的识别精度达97.38％(Top-1)和99.79％(Top-5),证明了该方法可以有效地增强动作特征,提升识别的准确率.     

基于时空图卷积循环神经网络的交通流预测

针对交通流预测模型中路网空间结构刻画和交通流时空特性挖掘不充分的问题,构建一种新型的有向时空图,通过定义节点相对临近度来表征路网结构关系,通过学习邻域节点对预测节点的影响权重来表征节点间时空维度的作用关系,从而能更好表达交通流的时空特性.将时空图作为预测模型的输入,采用图卷积获取交通流数据空间依赖关系,采用门控循环神经...