Fugu-MT 論文翻訳(概要): Unsupervised and Supervised Learning with the Random Forest Algorithm for Traffic Scenario Clustering and Classification

論文の概要: Unsupervised and Supervised Learning with the Random Forest Algorithm for Traffic Scenario Clustering and Classification

arxiv url: http://arxiv.org/abs/2004.02126v1
Date: Sun, 5 Apr 2020 08:26:29 GMT
ステータス: 処理完了
システム内更新日: 2022-12-16 13:21:45.603709
Title: Unsupervised and Supervised Learning with the Random Forest Algorithm for Traffic Scenario Clustering and Classification
Title（参考訳）: トラヒックシナリオクラスタリングと分類のためのランダムフォレストアルゴリズムによる教師なし学習
Authors: Friedrich Kruber, Jonas Wurst, Eduardo S\'anchez Morales, Samarjit Chakraborty, Michael Botsch
Abstract要約: 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。
参考スコア（独自算出の注目度）: 4.169845583045265
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The goal of this paper is to provide a method, which is able to find categories of traffic scenarios automatically. The architecture consists of three main components: A microscopic traffic simulation, a clustering technique and a classification technique for the operational phase. The developed simulation tool models each vehicle separately, while maintaining the dependencies between each other. The clustering approach consists of a modified unsupervised Random Forest algorithm to find a data adaptive similarity measure between all scenarios. As part of this, the path proximity, a novel technique to determine a similarity based on the Random Forest algorithm is presented. In the second part of the clustering, the similarities are used to define a set of clusters. In the third part, a Random Forest classifier is trained using the defined clusters for the operational phase. A thresholding technique is described to ensure a certain confidence level for the class assignment. The method is applied for highway scenarios. The results show that the proposed method is an excellent approach to automatically categorize traffic scenarios, which is particularly relevant for testing autonomous vehicle functionality.
Abstract（参考訳）: 本論文の目的は,トラフィックシナリオのカテゴリを自動的に見つける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。開発したシミュレーションツールは、相互の依存関係を維持しながら、各車両を別々にモデル化する。クラスタリングアプローチは、すべてのシナリオ間でデータ適応的類似度尺度を見つけるために、修正されていないランダムフォレストアルゴリズムから成り立っている。その一例として、ランダムフォレストアルゴリズムに基づく類似性を決定する新しい手法である経路近接について述べる。クラスタリングの第2部では、クラスタのセットを定義するために類似性が使用される。第3部では、ランダムフォレスト分類器が、運用フェーズで定義されたクラスタを使用して訓練される。クラス割り当てに対する一定の信頼性レベルを確保するために、しきい値化手法を記述する。この方法は高速道路のシナリオに適用できる。その結果,提案手法は交通シナリオを自動的に分類する優れた手法であり,特に自律走行車の機能テストに関係があることが示唆された。

関連論文リスト

Revisiting Foreground and Background Separation in Weakly-supervised Temporal Action Localization: A Clustering-based Approach [48.684550829098534]
弱教師付き時間的アクションローカライゼーションは、アクションインスタンスをビデオレベルのアクションラベルのみでローカライズすることを目的としている。クラスタリングに基づく新しいF&B分離アルゴリズムを提案する。我々は,THUMOS14,ActivityNet v1.2,v1.3の3つのベンチマークで評価を行った。
論文参考訳（メタデータ） (2023-12-21T18:57:12Z)
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)
A One-shot Framework for Distributed Clustered Learning in Heterogeneous Environments [54.172993875654015]
異種環境における分散学習のためのコミュニケーション効率化手法のファミリーを提案する。ユーザによるローカル計算に基づくワンショットアプローチと、サーバにおけるクラスタリングベースのアグリゲーションステップは、強力な学習保証を提供する。厳密な凸問題に対しては,ユーザ毎のデータ点数がしきい値を超える限り,提案手法はサンプルサイズの観点から順序最適平均二乗誤差率を達成する。
論文参考訳（メタデータ） (2022-09-22T09:04:10Z)
PointInst3D: Segmenting 3D Instances by Points [136.7261709896713]
本稿では,ポイント単位の予測方式で機能する,完全畳み込み型3Dポイントクラウドインスタンスセグメンテーション手法を提案する。その成功の鍵は、各サンプルポイントに適切なターゲットを割り当てることにある。提案手法はScanNetとS3DISのベンチマークで有望な結果が得られる。
論文参考訳（メタデータ） (2022-04-25T02:41:46Z)
Toward Unsupervised Test Scenario Extraction for Automated Driving Systems from Urban Naturalistic Road Traffic Data [0.0]
提案手法は、道路交通データからシナリオを抽出するための教師なし機械学習パイプラインをデプロイする。 InDおよびSilicon Valley Intersectionsデータセットから都市交差点の自然道路交通データを評価する。階層的クラスタリングを用いて,4から5クラスタに移行すると,全体の精度が約20%向上し,41クラスタから全体の精度が84%の飽和効果が得られた。
論文参考訳（メタデータ） (2022-02-14T10:55:14Z)
Gradient Based Clustering [72.15857783681658]
本稿では,クラスタリングの品質を計測するコスト関数の勾配を用いて,距離に基づくクラスタリングの一般的な手法を提案する。アプローチは反復的な2段階の手順(クラスタ割り当てとクラスタセンターのアップデートの代替)であり、幅広い機能に適用できる。
論文参考訳（メタデータ） (2022-02-01T19:31:15Z)
Trajectory Clustering Performance Evaluation: If we know the answer, it's not clustering [0.6472434306724609]
軌道クラスタリングは教師なしのタスクである。 7つの交差点の軌跡データを用いて,類似度,クラスタリングアルゴリズム,評価尺度の総合的な比較を行う。
論文参考訳（メタデータ） (2021-12-02T19:25:38Z)
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)
An Extensive Experimental Evaluation of Automated Machine Learning Methods for Recommending Classification Algorithms (Extended Version) [4.400989370979334]
これら3つの手法は進化的アルゴリズム(EA)に基づいており、もう1つはAuto-WEKAである。我々は,これらの4つのAutoMLメソッドに,この制限の異なる値に対して,同じランタイム制限を付与する制御実験を行った。一般に,3つの最良のAutoML手法の予測精度の差は統計的に有意ではなかった。
論文参考訳（メタデータ） (2020-09-16T02:36:43Z)
Fine-Grained Visual Classification with Efficient End-to-end Localization [49.9887676289364]
本稿では,エンド・ツー・エンドの設定において,分類ネットワークと融合可能な効率的なローカライゼーションモジュールを提案する。我々は,CUB200-2011,Stanford Cars,FGVC-Aircraftの3つのベンチマークデータセット上で,新しいモデルを評価する。
論文参考訳（メタデータ） (2020-05-11T14:07:06Z)
An Unsupervised Random Forest Clustering Technique for Automatic Traffic Scenario Categorization [0.0]
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。
論文参考訳（メタデータ） (2020-04-05T07:55:54Z)

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。