Analyse des papiers listés dans cette page
- Hypothèse de caméra fixe, donc apprentissage/prédiction lié à un environnement précis.
- Méthodes/algos : MDN (Mixed Density Network), LSTM, RNN (Recurrent Neural Network), InfoVAE (Information Maximizing Variational Autoencoders)
Social NCE: Contrastive Learning of Socially-aware Motion Representations
- Focalisé sur l'étude sociale des mouvements de piétons dans une foule : tendance à éviter d'être trop près les uns des autres, etc.
- Méthodes/algos : MLP (Multi-Layer Perceptron), CNN (Convolutional neural network), VAE-based RNN
Human Trajectory Forecasting in Crowds: A Deep Learning Perspective
- Focalisé sur l'étude sociale des mouvements de piétons dans une foule : tendance à éviter d'être trop près les uns des autres, etc.
- Méthodes/algos : LSTM, MLP, GAN (Generative Adversarial Network)
- Objectif : Entraîner un modèle de manière à ce qu'il fonctionne peu importe la caméra, sa position, son environnement (généralisation extrême)
- Méthodes/algos : Multiverse model (ref. 37), ConvRNN
DAG-Net: Double Attentive Graph Neural Network for Trajectory Forecasting
- Objectif : Prédiction d'objectif, d'interactions sociales et enfin de trajectoires
- Méthodes/algos : VAE, GNN (Graph Neural Network)
The Trajectron: Probabilistic Multi-Agent Trajectory Modeling With Dynamic Spatiotemporal Graphs
- Objectif : Prédiction de trajectoires pouvant prendre en compte plusieurs piétons, ayant chacun des trajectoires possibles hautement différentes
- Méthodes/algos : CVAE (Convolutional VAE), LSTM
STGAT: Modeling Spatial-Temporal Interactions for Human Trajectory Prediction
- Objectif : Prédiction de trajectoires en fonction des autres piétons et des positions passées (du sujet et des autres piétons)
- Méthodes/algos : GAT (Graph Attention Network), LTSM
Social and Scene-Aware Trajectory Prediction in Crowded Spaces
- Objectif : Prédiction de trajectoire piétonne en fonction de l'environnement physique en plus des autres piétons
- Méthodes/algos : LSTM ainsi qu'un variante Social-LTSM
Human Trajectory Prediction using Adversarial Loss
- Objectif : Analyser les performances des GAN dans la prédiction de trajectoires multiples de piétons en interaction avec d'autres piétons
- Méthodes/algos : GAN, RNN
Social Ways: Learning Multi-Modal Distributions of Pedestrian Trajectories with GANs
- Objectif : Prédire des trajectoires piétonnes en fonction des trajectoires passées du piéton et des piétons partageant le même espace
- Méthodes/algos : GAN, LSTM
Peeking into the Future: Predicting Future Person Activities and Locations in Videos
- Objectif : Traiter les piétons non pas comme des points mais comme des bonhommes avec membres et articulations, et utiliser le langage corporel et les objets/personnes environnantes pour comprendre les activités que ces piétons entreprennent afin de prédire leurs trajectoires
- Méthodes/algos : LSTM, CNN
- Objectif : Prédire de multiples trajectoires possibles, pas forcément que de piétons
- Méthodes/algos : CNN, MDN (Mixture Density Networks)
Sophie: An attentive gan for predicting paths compliant to social and physical constraints
- Objectif : Utiliser les informations de l'environnement ainsi que des piétons présents pour prédire les trajectoires multiples d'un piéton
- Méthodes/algos : GAN, LSTM
- Lien : https://opencv.org/multiple-object-tracking-in-realtime/
- Capteur : Caméra
- Méthode : réseaux neuronaux
- Publications : https://research.nvidia.com/publication/realtime-computer-vision-opencv https://www.drdobbs.com/open-source/the-opencv-library/184404319
- Dates : Depuis 2010, dernières version le mardi 6 juillet
- Lien : https://github.com/tensorflow/models/tree/master/research/object_detection
- Capteur : Caméra
- Méthode : réseaux neuronaux
- Publications : https://openaccess.thecvf.com/content_cvpr_2017/papers/Huang_SpeedAccuracy_Trade-Offs_for_CVPR_2017_paper.pdf
- Dates : Depuis 2017, commits fréquents encore aujourd'hui
- Lien : https://github.com/praveen-palanisamy/multiple-object-tracking-lidar
- Capteur : Lidar
- Méthode : Filtres de Kalman
Publications :- Logiciel : PCL
- Dates : Depuis 2015 à mi-2020
- Lien : https://github.com/enginBozkurt/LidarObstacleDetection
- Capteur : Lidar
- Méthode : Euclidean Clustering using KDTree
Publications :- Dates : S2 2019