Fugu-MT 論文翻訳(概要): PTP: Parallelized Tracking and Prediction with Graph Neural Networks and Diversity Sampling

論文の概要: PTP: Parallelized Tracking and Prediction with Graph Neural Networks and Diversity Sampling

arxiv url: http://arxiv.org/abs/2003.07847v2
Date: Sat, 3 Apr 2021 13:56:15 GMT
ステータス: 処理完了
システム内更新日: 2022-12-22 21:02:38.431176
Title: PTP: Parallelized Tracking and Prediction with Graph Neural Networks and Diversity Sampling
Title（参考訳）: PTP: グラフニューラルネットワークと多様性サンプリングによる並列追跡と予測
Authors: Xinshuo Weng and Ye Yuan and Kris Kitani
Abstract要約: 多物体追跡(MOT)と軌跡予測は、現代の3次元知覚システムにおいて2つの重要な要素である。エージェントインタラクションの共有特徴表現を学習するための並列化フレームワークを提案する。社会的に認識された特徴学習と多様性サンプリングを用いた手法は,3次元MOTにおける新しい最先端性能と軌道予測を実現する。
参考スコア（独自算出の注目度）: 34.68114553744956
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Multi-object tracking (MOT) and trajectory prediction are two critical components in modern 3D perception systems that require accurate modeling of multi-agent interaction. We hypothesize that it is beneficial to unify both tasks under one framework in order to learn a shared feature representation of agent interaction. Furthermore, instead of performing tracking and prediction sequentially which can propagate errors from tracking to prediction, we propose a parallelized framework to mitigate the issue. Also, our parallel track-forecast framework incorporates two additional novel computational units. First, we use a feature interaction technique by introducing Graph Neural Networks (GNNs) to capture the way in which agents interact with one another. The GNN is able to improve discriminative feature learning for MOT association and provide socially-aware contexts for trajectory prediction. Second, we use a diversity sampling function to improve the quality and diversity of our forecasted trajectories. The learned sampling function is trained to efficiently extract a variety of outcomes from a generative trajectory distribution and helps avoid the problem of generating duplicate trajectory samples. We evaluate on KITTI and nuScenes datasets showing that our method with socially-aware feature learning and diversity sampling achieves new state-of-the-art performance on 3D MOT and trajectory prediction. Project website is: https://www.xinshuoweng.com/projects/PTP
Abstract（参考訳）: マルチオブジェクトトラッキング(mot)と軌道予測は、マルチエージェントインタラクションの正確なモデリングを必要とする現代の3次元知覚システムにおいて2つの重要な要素である。エージェントインタラクションの共有機能表現を学ぶために、両方のタスクを1つのフレームワークで統一することが有益であると仮定する。さらに,追跡から予測へエラーを伝達する追跡と予測を逐次実行する代わりに,問題を緩和するための並列化フレームワークを提案する。また、並列トラック予測フレームワークには、2つの新しい計算ユニットが組み込まれている。まず,グラフニューラルネットワーク(gnns)を導入することで,エージェントが相互に相互作用する方法を捉えた特徴インタラクション手法を提案する。 GNNはMOTアソシエーションの差別的特徴学習を改善し、軌道予測のための社会的に認識されたコンテキストを提供する。第2に、予測された軌道の品質と多様性を改善するために、ダイバーシティサンプリング関数を使用する。学習されたサンプリング関数は、生成軌跡分布から様々な結果を効率的に抽出し、重複軌跡サンプルの生成の問題を回避するために訓練される。我々は、KITTIとnuScenesのデータセットを用いて、社会的に認識された特徴学習と多様性サンプリングの手法が、3D MOTにおける新しい最先端性能と軌道予測を実現することを示す。プロジェクトWebサイトは以下の通り。

関連論文リスト

StreamMOTP: Streaming and Unified Framework for Joint 3D Multi-Object Tracking and Trajectory Prediction [22.29257945966914]
我々は3次元多目的追跡・軌道予測(StreamMOTP)のためのストリーミング統合フレームワークを提案する。ストリーミング方式でモデルを構築し、メモリバンクを利用して、追跡対象の長期潜伏機能をより効果的に保存し、活用する。また,予測トラジェクタの品質と一貫性を2ストリーム予測器で改善する。
論文参考訳（メタデータ） (2024-06-28T11:35:35Z)
GroupNet: Multiscale Hypergraph Neural Networks for Trajectory Prediction with Relational Reasoning [37.64048110462638]
GroupNetは、ペアワイドとグループワイドの両方のインタラクションをキャプチャする、マルチスケールのハイパーグラフニューラルネットワークである。 CVAEに基づく予測システムと従来の最先端予測システムの両方にGroupNetを適用した。 CVAEに基づく予測システムであるGroupNetは,最先端の手法よりも優れていることを示す。
論文参考訳（メタデータ） (2022-04-19T09:36:20Z)
Transforming Model Prediction for Tracking [109.08417327309937]
トランスフォーマーは、誘導バイアスの少ないグローバルな関係を捉え、より強力なターゲットモデルの予測を学ぶことができる。提案したトラッカーをエンドツーエンドにトレーニングし、複数のトラッカーデータセットに関する総合的な実験を行うことで、その性能を検証する。我々のトラッカーは3つのベンチマークで新しい技術状態を設定し、挑戦的なLaSOTデータセットで68.5%のAUCを達成した。
論文参考訳（メタデータ） (2022-03-21T17:59:40Z)
Adaptive Trajectory Prediction via Transferable GNN [74.09424229172781]
本稿では,トランジタブルグラフニューラルネットワーク(Transferable Graph Neural Network, T-GNN)フレームワークを提案する。具体的には、ドメイン固有知識が減少する構造運動知識を探索するために、ドメイン不変GNNを提案する。さらに,注目に基づく適応的知識学習モジュールを提案し,知識伝達のための詳細な個別レベルの特徴表現について検討した。
論文参考訳（メタデータ） (2022-03-09T21:08:47Z)
Online Multi-Agent Forecasting with Interpretable Collaborative Graph Neural Network [65.11999700562869]
複数の協調予測器からの予測を協調グラフに従って集約する新しい協調予測ユニット(CoPU)を提案する。本手法は,3つのタスクの最先端処理を平均28.6%,17.4%,21.0%で上回っている。
論文参考訳（メタデータ） (2021-07-02T08:20:06Z)
Spatio-Temporal Graph Dual-Attention Network for Multi-Agent Prediction and Tracking [23.608125748229174]
異種エージェントを含む多エージェント軌道予測のための汎用生成ニューラルシステムを提案する。提案システムは, 軌道予測のための3つのベンチマークデータセット上で評価される。
論文参考訳（メタデータ） (2021-02-18T02:25:35Z)
End-to-End 3D Multi-Object Tracking and Trajectory Forecasting [34.68114553744956]
3次元MOTと軌道予測の統一解を提案する。グラフニューラルネットを導入して特徴相互作用技術を採用する。また,予測トラジェクトリの品質と多様性を向上させるために,多様性サンプリング機能を利用する。
論文参考訳（メタデータ） (2020-08-25T16:54:46Z)
SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
論文参考訳（メタデータ） (2020-07-26T08:17:10Z)
Multi-Task Learning for Dense Prediction Tasks: A Survey [87.66280582034838]
マルチタスク学習(MTL)技術は、性能、計算、メモリフットプリントに関する有望な結果を示している。我々は、コンピュータビジョンにおけるMLLのための最先端のディープラーニングアプローチについて、よく理解された視点を提供する。
論文参考訳（メタデータ） (2020-04-28T09:15:50Z)
Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
論文参考訳（メタデータ） (2020-03-10T03:10:41Z)

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。