bibliographie.md

Analyse des papiers listés dans cette page

Partie Pedestrians, papiers associés à du code

Mots clés : object tracking, object detection, cv, prediction, trajectory, pedestrian

Learning Structured Representations of Spatial and Interactive Dynamics for Trajectory Prediction in Crowded Scenes

• 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)

SimAug: Learning Robust Representations from 3D Simulation for Pedestrian Trajectory Prediction in Unseen Cameras

• 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

Overcoming Limitations of Mixture Density Networks: A Sampling and Fitting Framework for Multimodal Future Prediction

• 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

Ancienne bibliographie

OpenCV

• 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

Tensorflow (plutôt de la recherche qu'un produit fini)

• 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

praveen-palanisamy

• 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

enginBozkurt

• Lien : https://github.com/enginBozkurt/LidarObstacleDetection
• Capteur : Lidar
• Méthode : Euclidean Clustering using KDTree
• Publications :
• Dates : S2 2019