論文の概要: Deep Learning and Statistical Models for Time-Critical Pedestrian Behaviour Prediction

• arxiv url: http://arxiv.org/abs/2002.11226v1
• Date: Wed, 26 Feb 2020 00:05:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-28 13:58:45.048287
• Title: Deep Learning and Statistical Models for Time-Critical Pedestrian Behaviour Prediction
• Title（参考訳）: 時間臨界歩行者行動予測のための深層学習と統計的モデル
• Authors: Joel Janek Dabrowski and Johan Pieter de Villiers and Ashfaqur Rahman and Conrad Beyers
• Abstract要約: ニューラルネットワークモデルは80%の精度を達成するが、これを達成するには長いシーケンスを必要とする(100サンプル以上)。 SLDSは精度が74%低いが、短いシーケンス(10サンプル)でこの結果が得られる。 結果は、時間的臨界問題におけるモデルの適合性に関する重要な直感を与える。
• 参考スコア（独自算出の注目度）: 5.593571255686115
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The time it takes for a classifier to make an accurate prediction can be crucial in many behaviour recognition problems. For example, an autonomous vehicle should detect hazardous pedestrian behaviour early enough for it to take appropriate measures. In this context, we compare the switching linear dynamical system (SLDS) and a three-layered bi-directional long short-term memory (LSTM) neural network, which are applied to infer pedestrian behaviour from motion tracks. We show that, though the neural network model achieves an accuracy of 80%, it requires long sequences to achieve this (100 samples or more). The SLDS, has a lower accuracy of 74%, but it achieves this result with short sequences (10 samples). To our knowledge, such a comparison on sequence length has not been considered in the literature before. The results provide a key intuition of the suitability of the models in time-critical problems.
• Abstract（参考訳）: 分類器が正確な予測を行うのに要する時間は、多くの行動認識問題において重要である。 例えば、自動運転車は適切な対策を講じられるほど早く危険な歩行者の行動を検出する必要がある。 この文脈では,移動路からの歩行者行動推定に応用した,スイッチング線形力学系(SLDS)と3層双方向長短期記憶(LSTM)ニューラルネットワークを比較した。 ニューラルネットワークモデルは80%の精度を達成するが、これを達成するには長いシーケンスを必要とする(100以上のサンプル)。 sldは精度が74%低いが、短いシーケンス(10サンプル)でこの結果を達成している。 これまでの文献では,このような配列長の比較は検討されていない。 結果は、時間的臨界問題におけるモデルの適合性に関する重要な直感を与える。

関連論文リスト

• Multi-Scale Convolutional LSTM with Transfer Learning for Anomaly Detection in Cellular Networks [1.1432909951914676]
  本研究では,トランスファーラーニング(TL)を用いたマルチスケール畳み込みLSTMによるセルネットワークの異常検出手法を提案する。 モデルは最初、公開データセットを使用してスクラッチからトレーニングされ、典型的なネットワーク動作を学習する。 我々は,スクラッチから訓練したモデルの性能と,TLを用いた微調整モデルの性能を比較した。
  論文  参考訳（メタデータ） (2024-09-30T17:51:54Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• IMU Based Deep Stride Length Estimation With Self-Supervised Learning [0.1246030133914898]
  本稿では,1ストライドあたりのランニングおよびウォーキングのストライド長を予測し,ランニングタイプやウォーキングタイプを分類するために,単一畳み込みニューラルネットワーク(CNN)モデルを提案する。 提案モデルでは,従来の手法と比較して平均誤差が4.78%,ランニング・ストライド長の回帰が99.83%,ランニング・アンド・ウォーキングの精度が99.83%向上した。
  論文  参考訳（メタデータ） (2022-05-06T01:48:39Z)
• Imputation-Free Learning from Incomplete Observations [73.15386629370111]
  本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。 バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。 我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
  論文  参考訳（メタデータ） (2021-07-05T12:44:39Z)
• Statistically Significant Stopping of Neural Network Training [0.0]
  ニューラルネットワークが学習を停止したかどうかを判断するための統計的意義テストについて紹介する。 我々はこれを新しい学習率スケジューラの基礎として利用する。
  論文  参考訳（メタデータ） (2021-03-01T18:51:16Z)
• A Novel Anomaly Detection Algorithm for Hybrid Production Systems based on Deep Learning and Timed Automata [73.38551379469533]
  DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。 深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。 このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
  論文  参考訳（メタデータ） (2020-10-29T08:27:43Z)
• A Bayesian Perspective on Training Speed and Model Selection [51.15664724311443]
  モデルのトレーニング速度の測定値を用いて,その限界確率を推定できることを示す。 線形モデルと深部ニューラルネットワークの無限幅限界に対するモデル選択タスクの結果を検証する。 以上の結果から、勾配勾配勾配で訓練されたニューラルネットワークが、一般化する関数に偏りがある理由を説明するための、有望な新たな方向性が示唆された。
  論文  参考訳（メタデータ） (2020-10-27T17:56:14Z)
• Point process models for sequence detection in high-dimensional neural spike trains [29.073129195368235]
  本研究では,個々のスパイクレベルにおける微細なシーケンスを特徴付ける点過程モデルを開発する。 この超スパースなシーケンスイベント表現は、スパイクトレインモデリングの新しい可能性を開く。
  論文  参考訳（メタデータ） (2020-10-10T02:21:44Z)
• Clinical Risk Prediction with Temporal Probabilistic Asymmetric Multi-Task Learning [80.66108902283388]
  マルチタスク学習手法は、臨床リスク予測などの安全クリティカルな応用に注意を払って使用すべきである。 既存の非対称なマルチタスク学習手法は、低損失のタスクから高損失のタスクへの知識伝達を行うことにより、この負の伝達問題に対処する。 特徴レベルの不確実性に基づいて,特定のタスク/タイムステップから関連する不確実なタスクへの知識伝達を行う,新しい時間的非対称型マルチタスク学習モデルを提案する。
  論文  参考訳（メタデータ） (2020-06-23T06:01:36Z)
• Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
  本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。 これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。 この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2020-02-21T05:00:01Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。