Deep Learning Driven Visual Path

论文解决的问题：静态场景下估计物体最可能的运动轨迹。

Motivation: 

用神经网络，对行人和周围环境进行建模（空间上下文）和行人的方向建模（时间上下文）。

估计出行人与周围环境的交互和方向后，设计具体的损失函数，使path在可能出现的地方和可能的方向时loss最小。

缺点：

只对行人与静态环境的交互性进行建模，没有考虑行人本身的动态信息。

方法：

1、构建spatial Matching Network。

       输入：包含物体的patch和场景的patch。需要标注行人与环境的匹配信息。

       输出：匹配的概率

2、Orientation Network

     输入：object path。需要已知两个邻居帧间相同物体的相对位置的ground truth angle。

     输出：物体面对的方向。（facing orientation）

3、Path planing

  算法：graph shortest path 算法

数据集

训练：VIRAT 数据集

测试：KIT AIS Dataset

评测方法

modified Hausdorff distance(MHD)