視頻幀預(yù)測(cè)算法探究

劉志超

摘? 要：視頻預(yù)測(cè)一直以來都是計(jì)算機(jī)視覺領(lǐng)域的熱點(diǎn)問題，由于其廣泛的實(shí)用價(jià)值和理論價(jià)值，引起了研究人員的廣泛關(guān)注。該文對(duì)主流的視頻幀預(yù)測(cè)算法進(jìn)行了研究，首先介紹了視頻預(yù)測(cè)領(lǐng)域的常見問題，并由基本架構(gòu)對(duì)視頻預(yù)測(cè)算法進(jìn)行了分類，接下來介紹了該領(lǐng)域常用的數(shù)據(jù)集并給予評(píng)價(jià)，最后從視頻預(yù)測(cè)算法的運(yùn)行流程和最新的論文角度上，總結(jié)該領(lǐng)域算法的發(fā)展方向。

關(guān)鍵詞： 視頻幀預(yù)測(cè);長(zhǎng)短時(shí)記憶網(wǎng)絡(luò) ;自編碼器 ;生成對(duì)抗網(wǎng)絡(luò);注意力機(jī)制;強(qiáng)化學(xué)習(xí)

中圖分類號(hào)：TP391? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2021）10-0249-03

Abstract：Video prediction has always been a key issue in the computer vision field.Because of its extensive pratical and theoratical values，the video prediction technique has attracted attentions of many researchers.This paper reviews the main video prediction algorithms.Firstly，this paper introduce the common problems in video prediction，and classify many famous video prediction algorithms according to basic architectures.Then，the common datasets of video prediction are introduced and evaluated.Finally，on the basis of the process of the algorithms and the latest papers，this paper summarize the development of algorithms in this field.

Key words：video prediction; long short-term memory network; autoencoder; generative adversarial net; attention mechanism;? reinforcement learning

視頻幀預(yù)測(cè)（video predictin）是指通過對(duì)視頻中的歷史圖像幀序列進(jìn)行學(xué)習(xí)，從而生成未來的圖像幀。在自動(dòng)駕駛技術(shù)日趨成熟的今天，能夠預(yù)測(cè)圖象的未來幀序列變得越來越重要。目前視頻預(yù)測(cè)已經(jīng)在無人駕駛、機(jī)器人導(dǎo)航、人機(jī)交互等廣泛的應(yīng)用領(lǐng)域取得了一定的成功，如預(yù)測(cè)未來的活動(dòng)和事件[1]、目標(biāo)的位置預(yù)測(cè)、交通中行人的軌跡預(yù)測(cè)、自動(dòng)駕駛等。

軌跡預(yù)測(cè)是視頻中運(yùn)動(dòng)預(yù)測(cè)的關(guān)鍵，預(yù)測(cè)系統(tǒng)不僅需要知道目標(biāo)周圍對(duì)象的當(dāng)前狀態(tài)，還需要知道它們未來可能的狀態(tài)。在視頻預(yù)測(cè)研究興起之前，物體運(yùn)動(dòng)軌跡預(yù)測(cè)更加受學(xué)術(shù)界關(guān)注。二者的區(qū)別與聯(lián)系在于：運(yùn)動(dòng)預(yù)測(cè)一般是指從靜態(tài)圖像或視頻前幾幀中推斷出人體動(dòng)作、物體移動(dòng)軌跡等動(dòng)態(tài)信息;而視頻預(yù)測(cè)是從靜態(tài)圖片或視頻前幾幀中直接預(yù)測(cè)未來圖像。目前的，針對(duì)視頻預(yù)測(cè)算法的常用評(píng)價(jià)指標(biāo)為均方誤差（MSE）、絕對(duì)誤差（MAE）、峰值信噪比（PSNR）和結(jié)構(gòu)相似性（SSIM）。前兩者越小越好，后兩者越大越好。

本文由常見的視頻預(yù)測(cè)基本架構(gòu)作為分類準(zhǔn)則，按時(shí)間順序回顧了現(xiàn)有的視頻預(yù)測(cè)算法。具體結(jié)構(gòu)如下：首先簡(jiǎn)要介紹視頻預(yù)測(cè)領(lǐng)域常見的問題;之后對(duì)視頻幀預(yù)測(cè)領(lǐng)域中的算法按照上文提及的基準(zhǔn)進(jìn)行分類;其次介紹該領(lǐng)域常用的數(shù)據(jù)集，并評(píng)價(jià)其特點(diǎn);最后介紹改善該領(lǐng)域算法的新方向和視頻預(yù)測(cè)算法的下一步發(fā)展與展望。

1 視頻預(yù)測(cè)的常見問題

視頻幀預(yù)測(cè)技術(shù)的性能在近幾年逐漸改善，但是由于視頻數(shù)據(jù)中存在大量的復(fù)雜信息，同時(shí)相鄰的視頻幀間具有較強(qiáng)的相關(guān)性，而傳統(tǒng)的機(jī)器學(xué)習(xí)算法在自動(dòng)標(biāo)注特征信息和根據(jù)歷史幀序列生成預(yù)測(cè)幀的能力方面有所欠缺，因此視頻預(yù)測(cè)領(lǐng)域仍然存在很大的挑戰(zhàn)，面臨的挑戰(zhàn)主要如下：

1）模糊的預(yù)測(cè)。這個(gè)問題一般是誤差在循環(huán)模型中的傳播造成的，而這與視頻預(yù)測(cè)的固有不確定性有關(guān)。對(duì)于之前給定的一系列先前幀，存在多個(gè)平行的未來。如果不加以限制，就會(huì)產(chǎn)生一個(gè)模糊的預(yù)測(cè)，同時(shí)這預(yù)測(cè)結(jié)果會(huì)影響后續(xù)幀傳播回網(wǎng)絡(luò)的信息，產(chǎn)生更大的誤差。

2）高內(nèi)存消耗。伴隨著視頻預(yù)測(cè)技術(shù)的發(fā)展，神經(jīng)網(wǎng)絡(luò)的深度逐漸增加，模型高內(nèi)存消耗的特點(diǎn)逐漸凸顯。而這一特點(diǎn)極大地限制了他們的應(yīng)用場(chǎng)景和降低預(yù)測(cè)效率。

3）預(yù)測(cè)的長(zhǎng)期性。由于復(fù)雜的動(dòng)力學(xué)和背景外觀的變化，在模型架構(gòu)生成較為遙遠(yuǎn)的未來幀時(shí)，由于存儲(chǔ)單元記憶能力的限制和長(zhǎng)期預(yù)測(cè)中主要由遮擋、照明條件變化和攝像機(jī)運(yùn)動(dòng)等因素造成的視覺外觀可變性，未來幀可能出現(xiàn)與現(xiàn)實(shí)情況不符甚至不合理的結(jié)果。

4）無法捕捉全部分布。在上文中提到視頻數(shù)據(jù)高復(fù)雜性的特點(diǎn)，而這直接導(dǎo)致了當(dāng)目標(biāo)對(duì)象的運(yùn)動(dòng)場(chǎng)景較為復(fù)雜時(shí)，會(huì)導(dǎo)致模型架構(gòu)對(duì)視頻前后幀間部分復(fù)雜關(guān)系的疏漏。

2 基本的算法架構(gòu)

在視頻預(yù)測(cè)的研究過程中，我們發(fā)現(xiàn)了各種架構(gòu)和計(jì)算單元所組成的算法，而這些所產(chǎn)生的算法主要是依據(jù)以下三種基本神經(jīng)網(wǎng)絡(luò)架構(gòu)發(fā)展得到的：基于自動(dòng)編碼器（Auto-Encoder， AE）的方法、基于生成對(duì)抗神經(jīng)網(wǎng)絡(luò)（Generate Adversarial Network， GAN）的方法，以及基于長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)（Long Short-Term Memory， LSTM）的方法，如圖1。

2.1 自編碼器

2.1.1 自編碼器思想

傳統(tǒng)的自編碼器模型主要由編碼器和解碼器兩部分構(gòu)成，通過將視頻幀序列編碼成為一個(gè)潛在變量，然后再利用潛在變量生成視頻幀序列。

2.1.2 基于AE結(jié)構(gòu)的改進(jìn)

Patraucean團(tuán)隊(duì)通過將一種具有長(zhǎng)短時(shí)記憶功能的卷積模塊加入編碼器的架構(gòu)中而提出一種新的時(shí)空視頻自動(dòng)編碼器[2]，與早期的編碼器和短時(shí)性記憶模塊的簡(jiǎn)單連接，該模型所需的參數(shù)更少;而DeBrabandere等提出的方案中，卷積模塊是用來融入編碼器架構(gòu)來產(chǎn)生濾波器生成網(wǎng)絡(luò)[3]，最終達(dá)到在模型參數(shù)不會(huì)過度增加的前提下進(jìn)行自適應(yīng)特征提取。同時(shí)，由于視頻數(shù)據(jù)的時(shí)序特性，其算法架構(gòu)大多會(huì)使用循環(huán)結(jié)構(gòu)，而Lotter等人基于對(duì)循環(huán)結(jié)構(gòu)中誤差的傳遞考慮，提出了PredNet，該網(wǎng)絡(luò)通過將預(yù)測(cè)信息與實(shí)際信息相對(duì)比來產(chǎn)生誤差信息，再將誤差信息自下而上傳遞回去來更新預(yù)測(cè)信息，最終減小誤差信息對(duì)于預(yù)測(cè)的影響。Villegas等人提出MCnet網(wǎng)絡(luò)，該網(wǎng)絡(luò)在基礎(chǔ)架構(gòu)中融入了ConvLstm，創(chuàng)新性地將視頻預(yù)測(cè)的輸入分成了兩個(gè)易識(shí)別的組成，即內(nèi)容組和運(yùn)動(dòng)組。該網(wǎng)絡(luò)可以通過從運(yùn)動(dòng)組編碼空間區(qū)域的局部動(dòng)態(tài)和從內(nèi)容組編碼圖像的空間布局信息，最終實(shí)現(xiàn)將提取出來的內(nèi)容信息和動(dòng)作信息加入未來幀，來簡(jiǎn)化預(yù)測(cè)的工作量。與MCnet算法的拆分思想類似，Hsieh等人結(jié)合結(jié)構(gòu)化概率模型和深層網(wǎng)絡(luò)架構(gòu)提出了DDPAE，將預(yù)測(cè)的高維視頻拆分為組件，并將每個(gè)組件拆分為低維時(shí)間動(dòng)態(tài)來進(jìn)行預(yù)測(cè)，從而對(duì)視頻進(jìn)行良好的分解和理解，最終達(dá)到降低預(yù)測(cè)工作的復(fù)雜性的目的。FAN等人提出分層自動(dòng)編碼器（HRPAE），則是利用編碼器編碼成不同層次的卷積特征，并使用ConvLSTMs對(duì)這些特征分別建模。同時(shí)，在該架構(gòu)下，編碼器和解碼器之間的特征信息更容易共享。

2.2 生成對(duì)抗網(wǎng)絡(luò)

2.2.1 生成對(duì)抗網(wǎng)絡(luò)思想

生成對(duì)抗網(wǎng)絡(luò)的核心思想在于以零和博弈的方式進(jìn)行交替訓(xùn)練。該網(wǎng)絡(luò)由一個(gè)生成器（generator，G）和一個(gè)判別器（discriminator，D）組成。在視頻預(yù)測(cè)中，生成器在鑒別器網(wǎng)絡(luò)的指導(dǎo)下，基于輸入像素的聯(lián)合分布模型而無需進(jìn)行任何其他獨(dú)立假設(shè)來生成未來幀。

2.2.2 基于GAN結(jié)構(gòu)的改進(jìn)

基于生成對(duì)抗網(wǎng)絡(luò)的方法通常是利用GAN中的生成器作為預(yù)測(cè)模型來實(shí)現(xiàn)對(duì)未來視頻幀的預(yù)測(cè)。Liang等為了使生成的未來幀與視頻序列中的像素流一致，提出了一種雙重運(yùn)動(dòng)生成對(duì)抗網(wǎng)絡(luò)模型[4]，來通過雙重學(xué)習(xí)機(jī)制來學(xué)習(xí)預(yù)測(cè)未來幀。在該學(xué)習(xí)機(jī)制下，原始的未來幀預(yù)測(cè)和后續(xù)的未來流預(yù)測(cè)形成一個(gè)閉環(huán)來反過來糾正現(xiàn)實(shí)數(shù)據(jù)，來使生成的信息相互反饋，從而實(shí)現(xiàn)更有效的預(yù)測(cè)。這類方法中，由于其融入的對(duì)抗思想，能夠較為清晰地預(yù)測(cè)未來的視頻幀，但是處于長(zhǎng)期預(yù)測(cè)的任務(wù)中時(shí)，視頻幀質(zhì)量會(huì)迅速下滑。而Xiong等人提出運(yùn)用多個(gè)階段GAN來生成和細(xì)化原始幀。類似的思想還有，Bhattacharjee等人基于對(duì)時(shí)間維度上的考慮，提出了兩個(gè)基于歸一化互相關(guān)和成對(duì)對(duì)比散度的目標(biāo)函數(shù)和一個(gè)多階段生成對(duì)抗框架，并通過兩個(gè)階段的生成對(duì)抗網(wǎng)絡(luò)來生成清晰的未來幀。Lee等人提出的隨機(jī)對(duì)抗生成網(wǎng)絡(luò)（SAVP），通過結(jié)合對(duì)抗性損失和潛在變量等方法來進(jìn)行預(yù)測(cè)，在GAN架構(gòu)的基礎(chǔ)上加入變分自編碼器來觀察真實(shí)的視頻幀潛在編碼，最后結(jié)合ConvLstm來進(jìn)行視頻幀預(yù)測(cè)。Ying等人[5]提出差異導(dǎo)向的生成對(duì)抗網(wǎng)絡(luò)，通過引入雙路徑網(wǎng)絡(luò)的方式，來盡可能地保留未來幀的細(xì)節(jié)信息。一條路徑生成未來幀的粗略結(jié)果，另一條路徑則是用來生成歷史幀和預(yù)測(cè)幀之間的差異圖像。該模型的特點(diǎn)在于擺脫了從隨機(jī)噪聲中生成圖像的局限性，而創(chuàng)新性地從對(duì)相鄰幀之間的差異得到靈感，從而以歷史幀序列的分布為基準(zhǔn)進(jìn)行像素偏移。其價(jià)值在于在未來幀的SSIM等指標(biāo)合適的前提下，使生成的幀可以具有精細(xì)的細(xì)節(jié)。

2.3 長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)

2.3.1? Lstm的思想

Lstm模型通過有選擇性地丟失存儲(chǔ)的信息，并將選擇出來的信息與后續(xù)輸入的時(shí)序信息相結(jié)合來完成對(duì)時(shí)間序列數(shù)據(jù)的處理與分析，同時(shí)也由于視頻數(shù)據(jù)的特點(diǎn)，許多視頻幀預(yù)測(cè)算法都是在該模型上發(fā)展而來的。

2.3.2 基于Lstm結(jié)構(gòu)的改進(jìn)

早期，由Lotter等人將卷積模塊與傳統(tǒng)的LSTM模型結(jié)合，而提出了預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)[6]，該網(wǎng)絡(luò)能夠?qū)γ恳粚佣歼M(jìn)行局部預(yù)測(cè)，并且將預(yù)測(cè)的偏差向后傳遞，最終實(shí)現(xiàn)對(duì)視頻序列進(jìn)行預(yù)測(cè)。Oliu[7]等人創(chuàng)新性地提出了GRU計(jì)算單元和一種遞歸結(jié)構(gòu)，通過疊加多層ConvGRU結(jié)構(gòu)形成一個(gè)具有雙重門控循環(huán)單元的循環(huán)自動(dòng)編碼器。同時(shí)，由于編碼器和解碼器的權(quán)重共享，減少了計(jì)算成本，并且達(dá)到了較好的預(yù)測(cè)效果。與Oliu的信息共享思想類似的，Wang等人先提出PredRNN，其架構(gòu)中的每一個(gè)LSTM單元的記憶狀態(tài)并不獨(dú)有且允許不同單元的內(nèi)存狀態(tài)跨層，其信息可以垂直和水平地穿過所有的RNN堆疊層，同時(shí)該網(wǎng)絡(luò)可以同時(shí)提取和記憶空間信息和時(shí)間信息，后來在該算法的基礎(chǔ)上提出了一個(gè)梯度公路單元，來緩解梯度傳播的困難。接著，Wang等人提出了MIM模塊來利用相鄰循環(huán)狀態(tài)之間差分信息，最終實(shí)現(xiàn)處理時(shí)空動(dòng)力學(xué)的非平穩(wěn)和近似平穩(wěn)變量。對(duì)于之前提到的架構(gòu)，雖然都可以進(jìn)行較長(zhǎng)的時(shí)間預(yù)測(cè)，但是由于架構(gòu)內(nèi)部的計(jì)算單元提取特征能力較弱而受一定局限。最近，Wang等人利提出將3D-Conv單元集成到循環(huán)神經(jīng)網(wǎng)絡(luò)，來使網(wǎng)絡(luò)更好地感知運(yùn)動(dòng)，同時(shí)，存儲(chǔ)更好的短期特征。該網(wǎng)絡(luò)通過門控自我注意模塊來提升其長(zhǎng)期記憶的能力，并得以在多個(gè)時(shí)間點(diǎn)回憶存儲(chǔ)記憶，所以對(duì)于長(zhǎng)時(shí)間的干擾有著很好的糾正能力。

3 常用數(shù)據(jù)集

由于常見的視頻預(yù)測(cè)算法所需要的輸入大多是一系列有著連續(xù)變化關(guān)系的視頻幀，所以數(shù)據(jù)之間有著邏輯關(guān)系的數(shù)據(jù)集大多比較適合作為該領(lǐng)域的使用數(shù)據(jù)，例如人的運(yùn)動(dòng)姿態(tài)、汽車行駛鳥瞰圖、3維彈球運(yùn)動(dòng)等。

KTH數(shù)據(jù)集記錄了一個(gè)演員在相同背景下進(jìn)行運(yùn)動(dòng)的視頻數(shù)據(jù)。該數(shù)據(jù)集包含包括2391個(gè)平均持續(xù)時(shí)間為4秒的視頻序列，視頻序列中演員的動(dòng)作可以分為6種。分辨率下采樣至160 × 120像素。

移動(dòng)數(shù)字?jǐn)?shù)據(jù)集為一個(gè)人工合成數(shù)據(jù)集。其記錄的數(shù)據(jù)為兩個(gè)不同的阿拉伯?dāng)?shù)字伴隨著時(shí)間的推移，在同質(zhì)的黑色背景下各自進(jìn)行連續(xù)運(yùn)動(dòng)的視頻序列。該數(shù)據(jù)集的分辨率為64×64像素。

Kitti數(shù)據(jù)集是一個(gè)移動(dòng)機(jī)器人和自動(dòng)駕駛數(shù)據(jù)集。該數(shù)據(jù)集有151個(gè)視頻序列，采樣至1392×512像素。他是由數(shù)小時(shí)的交通場(chǎng)景組成，用各種傳感器記錄得到的，例如RGB、3D激光掃描儀等。

彈跳球數(shù)據(jù)集記錄的是三個(gè)彈球在盒子中跳動(dòng)的情況，它是生成高維序列模型的通用測(cè)試集。同時(shí)，該數(shù)據(jù)集共同包含4000個(gè)視頻序列，其采樣分辨率為150×150。

4 視頻幀預(yù)測(cè)算法改進(jìn)方向

從上文中，可以看出在改善視頻預(yù)測(cè)網(wǎng)絡(luò)結(jié)構(gòu)的方向上，學(xué)者已經(jīng)做出了許多成果，并取得不錯(cuò)的成效。這一章節(jié)，將介紹有別于之前專注于改善模型架構(gòu)的算法提升方向。

自然語言任務(wù)轉(zhuǎn)換模型（Transformer），近年來在計(jì)算機(jī)視覺領(lǐng)域取得了許多令人興奮的結(jié)果。該模型由于利用了注意力機(jī)制來編碼輸入中的依賴關(guān)系而得到了很高的表達(dá)能力。同時(shí)由于編碼特征的一般化，該模型在視頻預(yù)測(cè)、動(dòng)作識(shí)別、圖像超分辨率等領(lǐng)域都得到了廣泛的應(yīng)用。Zhong等人提出的基于行為條件的未來幀預(yù)測(cè)模型，該學(xué)習(xí)框架通過將強(qiáng)化學(xué)習(xí)與視頻預(yù)測(cè)模型融合來解開可控對(duì)象，其特點(diǎn)在于利用行為條件進(jìn)行未來幀預(yù)測(cè)，并使用行為信息來學(xué)習(xí)可控對(duì)象的解開。其模型的運(yùn)行方式為將預(yù)測(cè)任分為了三部分，分別是預(yù)測(cè)相關(guān)動(dòng)作信息、圖像的背景信息和掩模圖像信息，最終達(dá)到生成未來幀的目的。Kim等人提出了一種檢測(cè)任意對(duì)象的關(guān)鍵點(diǎn)算法，該算法被訓(xùn)練成以無監(jiān)督方式檢測(cè)任意對(duì)象的關(guān)鍵點(diǎn)。然后，在此算法的基礎(chǔ)上，提出了一種新的從輸入上進(jìn)行處理的視頻預(yù)測(cè)算法。其缺陷也十分明顯，由于該算法是基于關(guān)鍵點(diǎn)展開的，所以它的目標(biāo)對(duì)象更適合于在運(yùn)動(dòng)時(shí)會(huì)產(chǎn)生關(guān)鍵點(diǎn)的人等對(duì)象。Lin等人提出SA-ConvLstm模型，其特點(diǎn)在于提出了一種新的自我注意記憶（SAM）來記憶時(shí)空領(lǐng)域的長(zhǎng)期特征。較之于之前的算法模型，在MSE等指標(biāo)上有了突破。Lange等人[8]同樣在算法中加入注意力機(jī)制，而提出了SAAConvLstm和TAALSTM，來解決視頻預(yù)測(cè)過程中的移動(dòng)對(duì)象顯著模糊和消失的問題。

5 結(jié)論

通過本文的討論，未來的研究方向可以從以下幾個(gè)方面來進(jìn)行，具體如圖2所示：

在視頻幀的輸入端上，為了捕捉視頻數(shù)據(jù)中復(fù)雜且長(zhǎng)期的空間關(guān)系，可以從預(yù)先處理輸入數(shù)據(jù)開始，例如上文提到的關(guān)鍵點(diǎn)和注意力層面，未來可以研究如何針對(duì)不同的運(yùn)動(dòng)對(duì)象和應(yīng)用場(chǎng)景來創(chuàng)造合適的視頻數(shù)據(jù)預(yù)處理方法;視頻預(yù)測(cè)的架構(gòu)是視頻預(yù)測(cè)領(lǐng)域一直著力研究的方向，未來學(xué)者可以提出更加合理的計(jì)算單元來生成準(zhǔn)確率更高的未來幀;融入其他計(jì)算機(jī)視覺領(lǐng)域算法到視頻幀預(yù)測(cè)領(lǐng)域也是未來發(fā)展的前景，上文中提到的transformer模型本為自然語言處理領(lǐng)域提出的算法，但由于其良好的泛化能力，在眾多CV方向得到了廣泛應(yīng)用。本研究團(tuán)隊(duì)未來欲將強(qiáng)化學(xué)習(xí)的知識(shí)運(yùn)用到視頻預(yù)測(cè)領(lǐng)域，期待產(chǎn)生更加驚喜的效果。

參考文獻(xiàn)：

[1] Hoai M，de la Torre F.Max-margin early event detectors[J].International Journal of Computer Vision，2014，107（2）：191-202.

[2] PATRAUCEAN V， HANDA A， CIPOLLA R. Spatio-temporal video autoencoder with differentiable memory[C].ICLR，San Juan， Puerto Rico，2016.

[3] Brabandere B D，Jia X，Tuytelaars T，et al.Dynamic filter networks[EB/OL].2016.

[4] Liang X D，Lee L，Dai W，et al.Dual motion GAN for future-flow embedded video prediction[C]//2017 IEEE International Conference on Computer Vision （ICCV）.October 22-29，2017，Venice，Italy.IEEE，2017：1762-1770.

[5] Ying G H，Zou Y T，Wan L，et al.Better guider predicts future better：difference guided generative adversarial networks[EB/OL].2019.

[6] LOTTER W， KREIMAN G， COX D. Deep predictive coding networks for video prediction and unsupervised learning[C] ICLR.， Toulon， French.

[7] Oliu M，Selva J，Escalera S.Folded recurrent neural networks for future video prediction[C]//Computer Vision - ECCV，2018： 745-761.

[8] Lange B，Itkina M，Kochenderfer M J.Attention augmented ConvLSTM forEnvironment prediction[EB/OL].2020.

【通聯(lián)編輯：唐一東】