論文の概要: An Unsupervised Random Forest Clustering Technique for Automatic Traffic Scenario Categorization

• arxiv url: http://arxiv.org/abs/2004.02121v1
• Date: Sun, 5 Apr 2020 07:55:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-16 13:21:57.577260
• Title: An Unsupervised Random Forest Clustering Technique for Automatic Traffic Scenario Categorization
• Title（参考訳）: 自動交通シナリオ分類のための教師なしランダムフォレストクラスタリング手法
• Authors: Friedrich Kruber, Jonas Wurst, Michael Botsch
• Abstract要約: 本稿では,交通状況の分類のためのランダムフォレストアルゴリズムの修正について述べる。 このアルゴリズムは、類似度尺度を含む近接行列を生成する。 その後、階層的なクラスタリングで並べ替えて、グラフィカルに解釈可能な表現を実現する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A modification of the Random Forest algorithm for the categorization of traffic situations is introduced in this paper. The procedure yields an unsupervised machine learning method. The algorithm generates a proximity matrix which contains a similarity measure. This matrix is then reordered with hierarchical clustering to achieve a graphically interpretable representation. It is shown how the resulting proximity matrix can be visually interpreted and how the variation of the methods' metaparameter reveals different insights into the data. The proposed method is able to cluster data from any data source. To demonstrate the methods' potential, multiple features derived from a traffic simulation are used in this paper. The knowledge of traffic scenario clusters is crucial to accelerate the validation process. The clue of the method is that scenario templates can be generated automatically from actual traffic situations. These templates can be employed in all stages of the development process. The results prove that the procedure is well suited for an automatic categorization of traffic scenarios. Diverse other applications can benefit from this work.
• Abstract（参考訳）: 本稿では,交通状況の分類のためのランダムフォレストアルゴリズムの修正について述べる。 この手順は教師なしの機械学習手法をもたらす。 このアルゴリズムは類似度測度を含む近接行列を生成する。 この行列は、グラフィカルに解釈可能な表現を達成するために階層的クラスタリングで並べ替えられる。 得られた近接行列がどのように視覚的に解釈され、メソッドのメタパラメータの変化がデータに対する異なる洞察を明らかにするかを示す。 提案手法は任意のデータソースからデータをクラスタリングすることができる。 提案手法の可能性を示すために,交通シミュレーションから得られた複数の特徴を用いた。 トラフィックシナリオクラスタの知識は、検証プロセスの高速化に不可欠である。 この手法の手がかりは、実際の交通状況からシナリオテンプレートを自動生成できることである。 これらのテンプレートは開発プロセスのすべての段階で利用できる。 その結果,この手法は交通シナリオの自動分類に適していることがわかった。 他の様々なアプリケーションもこの仕事の恩恵を受けることができる。

関連論文リスト

• Neural Clustering based Visual Representation Learning [61.72646814537163]
  クラスタリングは、機械学習とデータ分析における最も古典的なアプローチの1つである。 本稿では,特徴抽出をデータから代表者を選択するプロセスとみなすクラスタリング(FEC)による特徴抽出を提案する。 FECは、個々のクラスタにピクセルをグループ化して抽象的な代表を配置し、現在の代表とピクセルの深い特徴を更新する。
  論文  参考訳（メタデータ） (2024-03-26T06:04:50Z)
• Self Supervised Correlation-based Permutations for Multi-View Clustering [7.972599673048582]
  汎用データのためのエンドツーエンドのディープラーニングベースのMVCフレームワークを提案する。 我々のアプローチは、新しい置換に基づく正準相関目標を用いて有意義な融合データ表現を学習することである。 10つのMVCベンチマークデータセットを用いて、モデルの有効性を実証する。
  論文  参考訳（メタデータ） (2024-02-26T08:08:30Z)
• Amortizing intractable inference in large language models [56.92471123778389]
  難治性後部分布のサンプルとして, 償却ベイズ推定を用いる。 我々は,LLMファインチューニングの分散マッチングパラダイムが,最大習熟の代替となることを実証的に実証した。 重要な応用として、チェーン・オブ・ソート推論を潜在変数モデリング問題として解釈する。
  論文  参考訳（メタデータ） (2023-10-06T16:36:08Z)
• Improving Online Lane Graph Extraction by Object-Lane Clustering [106.71926896061686]
  本稿では,局所レーングラフの推定精度を向上させるために,アーキテクチャと損失の定式化を提案する。 提案手法は,中心線をクラスタ中心とすることで,対象を中心線に割り当てることを学ぶ。 提案手法は既存の3次元オブジェクト検出手法の出力を用いて,大幅な性能向上を実現することができることを示す。
  論文  参考訳（メタデータ） (2023-07-20T15:21:28Z)
• Unified Functional Hashing in Automatic Machine Learning [58.77232199682271]
  高速に統一された関数型ハッシュを用いることで,大きな効率向上が得られることを示す。 私たちのハッシュは"機能的"であり、表現やコードが異なる場合でも同等の候補を識別します。 ニューラルアーキテクチャ検索やアルゴリズム発見など、複数のAutoMLドメインで劇的な改善がなされている。
  論文  参考訳（メタデータ） (2023-02-10T18:50:37Z)
• Traffic Scenario Clustering by Iterative Optimisation of Self-Supervised Networks Using a Random Forest Activation Pattern Similarity [0.9711326718689492]
  本研究では,Random Forest Activation Pattern (RFAP) と呼ばれる,新たなデータ適応類似度測定に基づくクラスタリング手法を提案する。 RFAP類似性はランダムフォレストアルゴリズムのツリー符号化スキームを用いて生成される。 この研究で提案されるクラスタリング手法は,ラベル付きシナリオが利用可能であること,ラベル付きシナリオからの情報は,非ラベル付きシナリオのクラスタリングをガイドする上で有効である。
  論文  参考訳（メタデータ） (2021-05-17T06:54:59Z)
• How Fine-Tuning Allows for Effective Meta-Learning [50.17896588738377]
  MAMLライクなアルゴリズムから派生した表現を解析するための理論的フレームワークを提案する。 我々は,勾配降下による微調整により得られる最良予測器のリスク境界を提示し,アルゴリズムが共有構造を有効活用できることを実証する。 この分離の結果、マイニングベースのメソッド、例えばmamlは、少数ショット学習における"frozen representation"目標を持つメソッドよりも優れている。
  論文  参考訳（メタデータ） (2021-05-05T17:56:00Z)
• Generating and Characterizing Scenarios for Safety Testing of Autonomous Vehicles [86.9067793493874]
  最先端運転シミュレータを用いて,テストシナリオを特徴付け,生成するための効率的なメカニズムを提案する。 次世代シミュレーション(NGSIM)プロジェクトにおける実運転データの特徴付けに本手法を用いる。 事故回避の複雑さに基づいてメトリクスを定義してシナリオをランク付けし、事故発生の可能性を最小限に抑えるための洞察を提供します。
  論文  参考訳（メタデータ） (2021-03-12T17:00:23Z)
• Deep Representation Learning and Clustering of Traffic Scenarios [0.0]
  トラフィックシーンの遅延表現を学習する2つのデータ駆動自動符号化モデルを導入する。 本稿では,遅延シナリオの埋め込みがトラフィックシナリオのクラスタリングや類似性検索にどのように使用できるかを示す。
  論文  参考訳（メタデータ） (2020-07-15T15:12:23Z)
• Unsupervised and Supervised Learning with the Random Forest Algorithm for Traffic Scenario Clustering and Classification [4.169845583045265]
  本研究の目的は,交通シナリオのカテゴリを自動的に見つけ出す手法を提供することである。 アーキテクチャは3つの主要コンポーネントで構成されている: 顕微鏡的トラフィックシミュレーション、クラスタリング技術、および運用フェーズの分類技術である。
  論文  参考訳（メタデータ） (2020-04-05T08:26:29Z)
• Learning Probabilistic Intersection Traffic Models for Trajectory Prediction [8.536503379429032]
  この研究は、交差点における車両の挙動を定量化するために使用されるガウス過程に基づく確率的交通モデルを示す。 この方法は時系列位置軌跡のセットで示される。 モデルの適用性を示すために、テスト軌跡は部分的な観察のみで分類される。
  論文  参考訳（メタデータ） (2020-02-05T19:22:26Z)

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。