Sökning: L773:9798350307443 OR L773:9798350307450 >
THÖR-Magni :
THÖR-Magni : Comparative Analysis of Deep Learning Models for Role-Conditioned Human Motion Prediction
-
- Almeida, Tiago, 1996- (författare)
- Örebro universitet,Institutionen för naturvetenskap och teknik
-
- Rudenko, Andrey, 1991- (författare)
- Robert Bosch GmbH, Corporate Research, Stuttgart, Germany
-
- Schreiter, Tim, 1997- (författare)
- Örebro universitet,Institutionen för naturvetenskap och teknik
-
visa fler...
-
- Zhu, Yufei, 1994- (författare)
- Örebro universitet,Institutionen för naturvetenskap och teknik
-
- Gutiérrez Maestro, Eduardo, 1994- (författare)
- Örebro universitet,Institutionen för naturvetenskap och teknik
-
- Morillo-Mendez, Lucas, 1991- (författare)
- Örebro universitet,Institutionen för naturvetenskap och teknik
-
- Kucner, Tomasz P. (författare)
- Mobile Robotics Group, Department of Electrical Engineering and Automation, Aalto University, Finland; FCAI, Finnish Center for Artificial Intelligence, Finland
-
- Martinez Mozos, Oscar, 1974- (författare)
- Örebro universitet,Institutionen för naturvetenskap och teknik
-
- Magnusson, Martin, Docent, 1977- (författare)
- Örebro universitet,Institutionen för naturvetenskap och teknik
-
- Palmieri, Luigi (författare)
- Robert Bosch GmbH, Corporate Research, Stuttgart, Germany
-
- Arras, Kai O. (författare)
- Robert Bosch GmbH, Corporate Research, Stuttgart, Germany
-
- Lilienthal, Achim, 1970- (författare)
- Örebro universitet,Institutionen för naturvetenskap och teknik
-
visa färre...
-
(creator_code:org_t)
- IEEE, 2023
- 2023
- Engelska.
-
Ingår i: 2023 IEEE/CVF International Conference on Computer Vision Workshops (ICCVW). - : IEEE. - 9798350307450 - 9798350307443 ; , s. 2192-2201
- Relaterad länk:
-
https://openaccess.t...
-
visa fler...
-
https://urn.kb.se/re...
-
https://doi.org/10.1...
-
visa färre...
Abstract
Ämnesord
Stäng
- Autonomous systems, that need to operate in human environments and interact with the users, rely on understanding and anticipating human activity and motion. Among the many factors which influence human motion, semantic attributes, such as the roles and ongoing activities of the detected people, provide a powerful cue on their future motion, actions, and intentions. In this work we adapt several popular deep learning models for trajectory prediction with labels corresponding to the roles of the people. To this end we use the novel THOR-Magni dataset, which captures human activity in industrial settings and includes the relevant semantic labels for people who navigate complex environments, interact with objects and robots, work alone and in groups. In qualitative and quantitative experiments we show that the role-conditioned LSTM, Transformer, GAN and VAE methods can effectively incorporate the semantic categories, better capture the underlying input distribution and therefore produce more accurate motion predictions in terms of Top-K ADE/FDE and log-likelihood metrics.
Ämnesord
- NATURVETENSKAP -- Data- och informationsvetenskap -- Datorseende och robotik (hsv//swe)
- NATURAL SCIENCES -- Computer and Information Sciences -- Computer Vision and Robotics (hsv//eng)
Nyckelord
- Computer Science
- Datavetenskap
Publikations- och innehållstyp
- ref (ämneskategori)
- kon (ämneskategori)
Hitta via bibliotek
Till lärosätets databas
- Av författaren/redakt...
-
Almeida, Tiago, ...
-
Rudenko, Andrey, ...
-
Schreiter, Tim, ...
-
Zhu, Yufei, 1994 ...
-
Gutiérrez Maestr ...
-
Morillo-Mendez, ...
-
visa fler...
-
Kucner, Tomasz P ...
-
Martinez Mozos, ...
-
Magnusson, Marti ...
-
Palmieri, Luigi
-
Arras, Kai O.
-
Lilienthal, Achi ...
-
visa färre...
- Om ämnet
-
- NATURVETENSKAP
-
NATURVETENSKAP
-
och Data och informa ...
-
och Datorseende och ...
- Artiklar i publikationen
-
2023 IEEE/CVF In ...
- Av lärosätet
-
Örebro universitet