論文の概要: Social-STGCNN: A Social Spatio-Temporal Graph Convolutional Neural Network for Human Trajectory Prediction

• arxiv url: http://arxiv.org/abs/2002.11927v3
• Date: Tue, 24 Mar 2020 06:07:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-28 08:49:47.645178
• Title: Social-STGCNN: A Social Spatio-Temporal Graph Convolutional Neural Network for Human Trajectory Prediction
• Title（参考訳）: Social-STGCNN:人間の軌道予測のための時空間グラフ畳み込みニューラルネットワーク
• Authors: Abduallah Mohamed, Kun Qian, Mohamed Elhoseiny, Christian Claudel
• Abstract要約: Social Spatio-Temporal Graph Convolutional Neural Network (Social-STGCNN)は、歩行者のインタラクションをグラフとしてモデル化する。 その結果,FDE(Final Displacement Error)では20%向上し,ADE(Average Displacement Error)では最大48倍高速な推論速度が得られた。 本稿では,歩行者間の社会的相互作用を隣接行列内に埋め込むカーネル関数を提案する。
• 参考スコア（独自算出の注目度）: 26.28051910420762
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Better machine understanding of pedestrian behaviors enables faster progress in modeling interactions between agents such as autonomous vehicles and humans. Pedestrian trajectories are not only influenced by the pedestrian itself but also by interaction with surrounding objects. Previous methods modeled these interactions by using a variety of aggregation methods that integrate different learned pedestrians states. We propose the Social Spatio-Temporal Graph Convolutional Neural Network (Social-STGCNN), which substitutes the need of aggregation methods by modeling the interactions as a graph. Our results show an improvement over the state of art by 20% on the Final Displacement Error (FDE) and an improvement on the Average Displacement Error (ADE) with 8.5 times less parameters and up to 48 times faster inference speed than previously reported methods. In addition, our model is data efficient, and exceeds previous state of the art on the ADE metric with only 20% of the training data. We propose a kernel function to embed the social interactions between pedestrians within the adjacency matrix. Through qualitative analysis, we show that our model inherited social behaviors that can be expected between pedestrians trajectories. Code is available at https://github.com/abduallahmohamed/Social-STGCNN.
• Abstract（参考訳）: 歩行者行動の機械的理解の改善は、自動運転車や人間のようなエージェント間の相互作用のモデリングを高速化する。 歩行者の軌跡は、歩行者そのものだけでなく、周囲の物体との相互作用にも影響される。 従来は、異なる学習歩行者状態を統合する様々な集約手法を用いて、これらの相互作用をモデル化していた。 本稿では,対話をグラフとしてモデル化し,集約手法の必要性を代替する社会時空間グラフ畳み込みニューラルネットワーク(Social-STGCNN)を提案する。 その結果,最終変位誤差 (fde) が20%向上し, 平均変位誤差 (ade) が8.5倍小さく, 推定速度が最大48倍向上した。 さらに,本モデルでは,データ効率が向上し,トレーニングデータの20%に過ぎず,ADEメトリック上での過去の技術状況を上回っている。 隣接行列内に歩行者間の社会的相互作用を埋め込むカーネル関数を提案する。 定性的分析により,歩行者軌道間で期待できる社会的行動のモデルが継承されたことを示す。 コードはhttps://github.com/abduallahmohamed/social-stgcnnで入手できる。

関連論文リスト

• Geometric Graph Neural Network Modeling of Human Interactions in Crowded Environments [3.7752830020595787]
  本稿では,歩行者のインタラクションをモデル化し,将来の軌跡を予測するために,心理学的な研究からドメイン知識を統合した幾何学的グラフニューラルネットワークアーキテクチャを提案する。 複数のデータセットにまたがる評価では、平均値と最終変位誤差のメトリクスを減らして予測精度が向上した。
  論文  参考訳（メタデータ） (2024-10-22T20:33:10Z)
• Social-Transmotion: Promptable Human Trajectory Prediction [65.80068316170613]
  Social-Transmotionは、多種多様な視覚的手がかりを利用して人間の行動を予測する、汎用トランスフォーマーベースのモデルである。 提案手法は,JTA,JRDB,歩行者,道路交通のサイクリスト,ETH-UCYなど,複数のデータセットで検証されている。
  論文  参考訳（メタデータ） (2023-12-26T18:56:49Z)
• SSAGCN: Social Soft Attention Graph Convolution Network for Pedestrian Trajectory Prediction [59.064925464991056]
  ソーシャルソフトアテンショングラフ畳み込みネットワーク(SSAGCN)という新しい予測モデルを提案する。 SSAGCNは、歩行者間の社会的相互作用と歩行者と環境間のシーンインタラクションを同時に扱うことを目的としている。 公開データセットの実験は、SAGCNの有効性を証明し、最先端の結果を得た。
  論文  参考訳（メタデータ） (2021-12-05T01:49:18Z)
• You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory Prediction [52.442129609979794]
  軌道予測のための最近の深層学習手法は有望な性能を示す。 そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。 本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-11T14:24:15Z)
• Soft Attention: Does it Actually Help to Learn Social Interactions in Pedestrian Trajectory Prediction? [2.180763067449862]
  本研究では,歩行者の移動履歴と周辺歩行者の移動履歴を用いて,歩行者の将来経路を予測することの課題について考察する。 ディープラーニングは、歩行者の動きに対する社会的相互作用の影響をモデル化するための主要なツールとなっている。
  論文  参考訳（メタデータ） (2021-06-16T17:39:35Z)
• Social-IWSTCNN: A Social Interaction-Weighted Spatio-Temporal Convolutional Neural Network for Pedestrian Trajectory Prediction in Urban Traffic Scenarios [0.0]
  社会的相互作用重み付き時空間畳み込みニューラルネットワーク(Social-IWSTCNN)を提案する。 我々のアルゴリズムは、平均変位誤差(ADE)と最終変位誤差(FDE)の両方において、社会LSTM、社会GAN、社会STGCNNなどのSOTAアルゴリズムより優れている。 我々のSocial-IWSTCNNはデータ前処理速度の54.8倍、テスト全体の4.7倍高速である。
  論文  参考訳（メタデータ） (2021-05-26T09:53:19Z)
• SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction [64.16212996247943]
  歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。 具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。 可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-04-04T03:17:42Z)
• Human Trajectory Forecasting in Crowds: A Deep Learning Perspective [89.4600982169]
  本稿では,既存の深層学習に基づくソーシャルインタラクションのモデル化手法について詳細に分析する。 本稿では、これらの社会的相互作用を効果的に捉えるための知識に基づく2つのデータ駆動手法を提案する。 我々は,人間の軌道予測分野において,重要かつ欠落したコンポーネントであるTrajNet++を大規模に開発する。
  論文  参考訳（メタデータ） (2020-07-07T17:19:56Z)
• Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
  視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。 本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。 歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
  論文  参考訳（メタデータ） (2020-02-20T18:50:44Z)

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。