EF-Transformer：多人交互行为预测的新模型

"EF-Transformer：参与者间行为预测的新方法" 这篇论文提出了一种新的模型，称为EF-Transformer，专门用于预测和推理参与者的集体行为，特别是在团队运动和编排舞蹈等涉及复杂互动的活动中。传统的计算机视觉和机器学习方法往往侧重于个体行为分析，而忽略了人与人之间的相互作用。EF-Transformer的创新之处在于它考虑了参与者间的时空关系，通过一种称为“入口翻转”的机制来减少错误积累，并增强对当前帧中观察到特征的重视。 在行为预测任务中，EF-Transformer利用Transformer架构，尤其是其注意力机制，来模拟参与者在空间和时间上的相互影响。然而，与标准Transformer不同，EF-Transformer通过翻转查询（Q）、键（K）和值（V）的顺序，解决了传统Transformer可能存在的错误积累问题。这一策略增强了对当前帧中关键信息的捕捉，有助于更准确地预测目标参与者的未来行为。 实验部分展示了EF-Transformer在网球双打、Ceilidh舞蹈和两个行人数据集上的优越性能，证明了其在限制累积误差和从错误估计中恢复的能力。关键词包括：入口翻转、Transformer、行为预测，这表明该研究聚焦于提高多人交互行为预测的准确性。 介绍部分指出，尽管现有技术在人类行为理解和识别上取得了进步，但它们通常忽视了人们之间的互动，特别是那些需要高度协调的活动。因此，EF-Transformer的目标是通过考虑社会互动和自我意图来提升行为预测的精度，这对于理解和模拟群体行为至关重要。 EF-Transformer是一种新颖的深度学习模型，专为处理多人交互行为的预测和推理设计。通过入口翻转机制，它能够在处理复杂的集体活动时提供更精确的行为预测，为未来的计算机视觉和人工智能研究提供了新的方向。