論文の概要: Revisiting Convolutional Neural Networks for Citywide Crowd Flow Analytics

• arxiv url: http://arxiv.org/abs/2003.00895v2
• Date: Sat, 20 Jun 2020 06:34:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-28 02:30:25.336288
• Title: Revisiting Convolutional Neural Networks for Citywide Crowd Flow Analytics
• Title（参考訳）: 都市全体のフロー分析のための畳み込みニューラルネットワークの再検討
• Authors: Yuxuan Liang, Kun Ouyang, Yiwei Wang, Ye Liu, Junbo Zhang, Yu Zheng, David S. Rosenblum
• Abstract要約: 本稿では,街中における様々なクラウドフロー分析問題に対処するために,DeepLGRという新しいフレームワークを提案する。 本フレームワークは,1)各領域の表現を学習する局所的特徴抽出モジュール,2)グローバルなコンテキスト先行を抽出し,それらを増幅してグローバルな特徴を生成するグローバルコンテキストモジュール,3)テンソル分解に基づく地域固有の予測器により各領域にカスタマイズされた予測を提供する。
• 参考スコア（独自算出の注目度）: 27.42571939363958
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Citywide crowd flow analytics is of great importance to smart city efforts. It aims to model the crowd flow (e.g., inflow and outflow) of each region in a city based on historical observations. Nowadays, Convolutional Neural Networks (CNNs) have been widely adopted in raster-based crowd flow analytics by virtue of their capability in capturing spatial dependencies. After revisiting CNN-based methods for different analytics tasks, we expose two common critical drawbacks in the existing uses: 1) inefficiency in learning global spatial dependencies, and 2) overlooking latent region functions. To tackle these challenges, in this paper we present a novel framework entitled DeepLGR that can be easily generalized to address various citywide crowd flow analytics problems. This framework consists of three parts: 1) a local feature extraction module to learn representations for each region; 2) a global context module to extract global contextual priors and upsample them to generate the global features; and 3) a region-specific predictor based on tensor decomposition to provide customized predictions for each region, which is very parameter-efficient compared to previous methods. Extensive experiments on two typical crowd flow analytics tasks demonstrate the effectiveness, stability, and generality of our framework.
• Abstract（参考訳）: 都市全体のクラウドフロー分析は、スマートシティの取り組みにとって非常に重要である。 歴史的観測に基づいて都市内の各地域の群集流(流入・流出など)をモデル化することを目的としている。 現在、畳み込みニューラルネットワーク(CNN)は、空間依存を捉える能力により、ラスタベースの群集フロー分析に広く採用されている。 異なる分析タスクのためにCNNベースのメソッドを再検討した後、既存の利用に共通する2つの重大な欠点を露呈する。 1)グローバル空間依存の学習における非効率性、及び 2)潜在領域関数を見渡す。 本稿では,これらの課題に対処するために,都市全体のクラウドフロー分析問題に容易に対処できる,DeepLGRという新しいフレームワークを提案する。 この枠組みは3つの部分からなる。 1) 各領域の表現を学習するローカル特徴抽出モジュール 2)グローバル・コンテキスト・モジュールは、グローバル・コンテキスト・プリミティブを抽出し、それらをサンプリングしてグローバル・フィーチャーを生成する。 3) テンソル分解に基づく領域特異的予測器は,各領域にカスタマイズされた予測を提供する。 2つの典型的な群集流解析タスクに関する大規模な実験は、我々のフレームワークの有効性、安定性、一般性を示している。

関連論文リスト

• Spatially Constrained Transformer with Efficient Global Relation Modelling for Spatio-Temporal Prediction [2.016553603539141]
  ST-SampleNetは、CNNと自己アテンション機構を組み合わせたトランスフォーマーベースのアーキテクチャで、ローカルとグローバル両方の関係をキャプチャする。 実験により,計算コストの40%削減を実現した。
  論文  参考訳（メタデータ） (2024-11-11T10:03:59Z)
• Asynchronous Feedback Network for Perceptual Point Cloud Quality Assessment [18.65004981045047]
  本稿では,グローバルおよびローカル機能を扱う新しい非同期フィードバックネットワーク(AFNet)を提案する。 AFNetは、グローバルな特徴と局所的な特徴を扱うためにデュアルブランチ構造を採用し、人間の脳の左右半球をシミュレートし、それらの間にフィードバックモジュールを構築する。 3つのデータセットに関する包括的な実験を行い、これらのデータセットに対する最先端のアプローチよりも優れたパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-07-13T08:52:44Z)
• Cross-City Matters: A Multimodal Remote Sensing Benchmark Dataset for Cross-City Semantic Segmentation using High-Resolution Domain Adaptation Networks [82.82866901799565]
  我々は,都市間セマンティックセマンティックセグメンテーションタスクの研究を目的とした,新しいマルチモーダルリモートセンシングベンチマークデータセット(ハイパースペクトル,マルチスペクトル,SARを含む)を構築した。 単一都市に留まらず,多都市環境からAIモデルの一般化能力を促進するため,高解像度なドメイン適応ネットワークであるHighDANを提案する。 高DANは, 並列高分解能融合方式で, 都市景観の空間的トポロジカルな構造を良好に維持することができる。
  論文  参考訳（メタデータ） (2023-09-26T23:55:39Z)
• Attentive Graph Enhanced Region Representation Learning [7.4106801792345705]
  都市部を正確にかつ包括的に表現することは,様々な都市計画・分析業務に不可欠である。 本研究では,複数のグラフから包括的依存関係を抽出し,都市域のリッチな意味表現を学習することを目的としたAttentive Graph Enhanced Region Representation Learning (ATGRL)モデルを提案する。
  論文  参考訳（メタデータ） (2023-07-06T16:38:43Z)
• SARN: Structurally-Aware Recurrent Network for Spatio-Temporal Disaggregation [8.636014676778682]
  オープンデータは、通常プライバシーポリシーに従うために、しばしば空間的に集約される。しかし、粗い、異質な集約は、下流のAI/MLシステムに対する一貫性のある学習と統合を複雑にする。 本稿では,空間的注意層をGRU(Gated Recurrent Unit)モデルに統合したSARN(Structurely-Aware Recurrent Network)を提案する。 履歴学習データに制限のあるシナリオでは、ある都市変数に事前学習したモデルを、数百のサンプルのみを用いて、他の都市変数に対して微調整できることを示す。
  論文  参考訳（メタデータ） (2023-06-09T21:01:29Z)
• DRFLM: Distributionally Robust Federated Learning with Inter-client Noise via Local Mixup [58.894901088797376]
  連合学習は、生データをリークすることなく、複数の組織のデータを使用してグローバルモデルをトレーニングするための有望なアプローチとして登場した。 上記の2つの課題を同時に解決するための一般的な枠組みを提案する。 我々は、ロバストネス解析、収束解析、一般化能力を含む包括的理論的解析を提供する。
  論文  参考訳（メタデータ） (2022-04-16T08:08:29Z)
• Exploring Neural Models for Query-Focused Summarization [74.41256438059256]
  クエリ中心の要約(QFS)に対するニューラルネットワークの体系的な探索を行う。 本稿では,QMSumデータセットの最先端性能を最大3.38ROUGE-1,3.72ROUGE-2,3.28ROUGE-Lのマージンで達成する2つのモデル拡張を提案する。
  論文  参考訳（メタデータ） (2021-12-14T18:33:29Z)
• An Entropy-guided Reinforced Partial Convolutional Network for Zero-Shot Learning [77.72330187258498]
  エントロピー誘導強化部分畳み込みネットワーク(ERPCNet)を提案する。 ERPCNetは、人間のアノテーションのない意味的関連性と視覚的相関に基づいて、局所性を抽出し、集約する。 グローバルな協力的局所性を動的に発見するだけでなく、ポリシー勾配最適化のためにより高速に収束する。
  論文  参考訳（メタデータ） (2021-11-03T11:13:13Z)
• Traffic Flow Forecasting with Spatial-Temporal Graph Diffusion Network [39.65520262751766]
  我々は新しい交通予測フレームワーク-時空間グラフ拡散ネットワーク(ST-GDN)を開発した。 特にST-GDNは階層的に構造化されたグラフニューラルネットワークアーキテクチャであり、局所的な地域的な地理的依存関係だけでなく、グローバルな視点から空間的意味論も学習する。 複数の実生活トラフィックデータセットの実験では、ST-GDNは最先端のベースラインの異なるタイプよりも優れていることが示されている。
  論文  参考訳（メタデータ） (2021-10-08T11:19:06Z)
• LRC-Net: Learning Discriminative Features on Point Clouds by Encoding Local Region Contexts [65.79931333193016]
  本稿では,LRC-Net(Local-Region-Context Network)を提案する。 LRC-Netは、局所領域内および周辺領域間の微粒なコンテキストを同時に符号化する。 その結果, LRC-Netは形状分類や形状分割の応用において最先端の手法と競合することがわかった。
  論文  参考訳（メタデータ） (2020-03-18T14:34:08Z)
• Seismic horizon detection with neural networks [62.997667081978825]
  本稿では,複数の実地震立方体上での地平線検出にバイナリセグメンテーションを適用し,予測モデルのキューブ間一般化に着目したオープンソースの研究である。 本研究の主な貢献は,複数実地震立方体における地平線検出にバイナリセグメンテーションを適用し,予測モデルのキューブ間一般化に着目したオープンソースの研究である。
  論文  参考訳（メタデータ） (2020-01-10T11:30:50Z)

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。