alexmonti19/dagnet

🏀 Dự đoán chuyển động bằng DAG-Net: Hai mạng chú ý, một dự báo chính xác

DAG-Net kết hợp VRNN với hai mạng nơ-ron đồ thị (GNN) để dự đoán hành trình di chuyển của con người và vận động viên, vượt trội trên cả dữ liệu đô thị và thể thao.

Đây là mã nguồn PyTorch của mô hình được trình bày tại ICPR 2020 bởi nhóm nghiên cứu từ Đại học Bologna. DAG-Net giải quyết bài toán dự đoán quỹ đạo (trajectory forecasting) bằng cách kết hợp ba thành phần chính: mô hình sinh (VRNN) và hai mạng nơ-ron đồ thị riêng biệt — một xử lý mục tiêu của từng tác tử, một xử lý trạng thái ẩn chứa hành vi chuyển động trước đó. Cấu trúc này giúp mô hình đồng thời cập nhật thông tin quá khứ và tương lai khi sinh ra chuyển động tương lai của từng tác tử.

✨ Điểm nổi bật

• VRNN: Mô hình sinh cơ sở dự đoán quỹ đạo sử dụng mạng nơ-ron hồi cục có nhớ dài.
• A-VRNN: Phiên bản nâng cấp với một mạng đồ thị duy nhất áp dụng lên trạng thái ẩn của tác tử.
• DAG-Net: Kiến trúc đầy đủ với hai mạng đồ thị — một cho mục tiêu, một cho trạng thái ẩn.
• Hai mạng đồ thị độc lập: Một mạng xử lý mục tiêu (vùng đích), một mạng xử lý hành vi quá khứ qua trạng thái ẩn.
• Kết quả SOTA: Đạt số liệu tốt nhất trên Stanford Drone Dataset và STATS SportVU NBA Dataset.
• Mô hình tiền huấn luyện có sẵn: Cung cấp checkpoint để tái tạo kết quả ADE/FDE từ bài báo.

💡 Vì sao đáng chú ý

DAG-Net nổi bật nhờ thiết kế hai mạng đồ thị tách biệt, cho phép mô hình học đồng thời cả mục tiêu dài hạn và hành vi ngắn hạn của từng tác tử. Điều này giúp dự đoán chính xác hơn so với các phương pháp chỉ dùng một mạng đồ thị hoặc không có cơ chế chú ý. Mô hình phù hợp cho các ứng dụng như phân tích giao thông đô thị, hành vi con người, và phân tích trò chơi thể thao.

---

#TrajectoryPrediction #GraphNeuralNetwork #VRNN #PyTorch #TiniX