論文の概要: Optimizing Vessel Trajectory Compression
- arxiv url: http://arxiv.org/abs/2005.05418v1
- Date: Mon, 11 May 2020 20:38:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-04 19:44:04.877876
- Title: Optimizing Vessel Trajectory Compression
- Title(参考訳): 船舶軌道圧縮の最適化
- Authors: Giannis Fikioris, Kostas Patroumpas, Alexander Artikis
- Abstract要約: 前回の研究では,AISの位置情報をオンラインで消費することで,血管軌跡の要約表現を提供するトラジェクトリ検出モジュールを導入しました。
この手法は、生データの少なくとも70%を冗長として廃棄することにより、元のコースからほとんど逸脱しない信頼性の高い軌道合成を提供することができる。
しかし、そのような軌道圧縮はパラメトリゼーションに非常に敏感である。
各容器のタイプを考慮し, 軌道のシナプスを改良する適切な構成を提供する。
- 参考スコア(独自算出の注目度): 71.42030830910227
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In previous work we introduced a trajectory detection module that can provide
summarized representations of vessel trajectories by consuming AIS positional
messages online. This methodology can provide reliable trajectory synopses with
little deviations from the original course by discarding at least 70% of the
raw data as redundant. However, such trajectory compression is very sensitive
to parametrization. In this paper, our goal is to fine-tune the selection of
these parameter values. We take into account the type of each vessel in order
to provide a suitable configuration that can yield improved trajectory
synopses, both in terms of approximation error and compression ratio.
Furthermore, we employ a genetic algorithm converging to a suitable
configuration per vessel type. Our tests against a publicly available AIS
dataset have shown that compression efficiency is comparable or even better
than the one with default parametrization without resorting to a laborious data
inspection.
- Abstract(参考訳): 前回の作業では,ais位置決めメッセージをオンラインで消費することにより,血管軌跡の要約表現を提供できる軌道検出モジュールを導入した。
この手法は、生データの少なくとも70%を冗長として廃棄することにより、元のコースからほとんど逸脱しない信頼性の高い軌道合成を提供することができる。
しかし、そのような軌道圧縮はパラメトリゼーションに非常に敏感である。
本稿では,パラメータ値の選択を微調整することを目的とする。
近似誤差と圧縮比の両面から, 軌道合成の精度を向上させるための適切な構成を提供するため, 各容器のタイプを考慮に入れた。
さらに,血管タイプ毎に適切な構成に収束する遺伝的アルゴリズムを用いる。
AISデータセットに対する我々のテストでは、圧縮効率は、面倒なデータ検査に頼らずに、デフォルトのパラメトリゼーションを持つものよりも同等かそれ以上良いことが示されている。
関連論文リスト
- Distributed Nonparametric Estimation: from Sparse to Dense Samples per Terminal [9.766173684831324]
我々は,すべてのレシエーションに対して最小値の最適レートを特徴付けるとともに,各端末毎のサンプルがスパースから密度に変化するため,最適レートの位相遷移を同定する。
これにより、以前の研究で残された問題が完全に解決され、その範囲は密度の高いサンプルを持つレギュレーションまたは終端あたりの1つのサンプルに限られる。
最適率は、密度推定、ガウス、二分法、ポアソン、ヘテロスケダスティック回帰モデルなど、様々な特殊ケースに即時に適用される。
論文 参考訳(メタデータ) (2025-01-14T06:41:55Z) - Dataset Distillation as Pushforward Optimal Quantization [1.039189397779466]
そこで本稿では,ImageNet-1Kデータセットの性能向上を目的とした,最先端データ蒸留法D4Mの簡易拡張を提案する。
エンコーダ・デコーダ構造を組み込んだ場合、実験的に成功した不整合法を最適な量子化問題として再定義できることを実証する。
特に, 既存の不整合データセット蒸留法を古典的最適量子化法とワッサーシュタインバリセンタ問題にリンクし, 拡散型生成前処理のための蒸留データセットの整合性を示す。
論文 参考訳(メタデータ) (2025-01-13T20:41:52Z) - Accelerated Methods with Compressed Communications for Distributed Optimization Problems under Data Similarity [55.03958223190181]
本稿では,データ類似性の下での非バイアス圧縮とバイアス圧縮を利用した,理論上初めての高速化アルゴリズムを提案する。
我々の結果は、異なる平均損失とデータセットに関する実験によって記録され、確認されています。
論文 参考訳(メタデータ) (2024-12-21T00:40:58Z) - ALoRE: Efficient Visual Adaptation via Aggregating Low Rank Experts [71.91042186338163]
ALoREは、Kroneckerによって構築された超複素パラメータ化空間をAggregate Low Rank Expertsに再利用する新しいPETL法である。
巧妙な設計のおかげで、ALoREは無視できる余分なパラメータを保持し、凍ったバックボーンに強制的にマージできる。
論文 参考訳(メタデータ) (2024-12-11T12:31:30Z) - Automatic Outlier Rectification via Optimal Transport [7.421153752627664]
コンケーブコスト関数を用いた最適輸送を用いた外乱検出のための新しい概念的枠組みを提案する。
コンケーブコスト関数を用いて最適な輸送距離を利用するための第一歩を踏み出し、修正セットを構築する。
次に、推定タスクを実行するための修正セット内での最適分布を選択する。
論文 参考訳(メタデータ) (2024-03-21T01:30:24Z) - Compression of Structured Data with Autoencoders: Provable Benefit of
Nonlinearities and Depth [83.15263499262824]
勾配勾配勾配は入力のスパース構造を完全に無視する解に収束することを示す。
浅層構造にデノナイジング関数を付加することにより,スパースデータの圧縮におけるガウス性能の改善方法を示す。
CIFAR-10 や MNIST などの画像データセットに対して,本研究の成果を検証した。
論文 参考訳(メタデータ) (2024-02-07T16:32:29Z) - Minimizing the Accumulated Trajectory Error to Improve Dataset
Distillation [151.70234052015948]
本稿では,フラットな軌道を求める最適化アルゴリズムを提案する。
合成データに基づいてトレーニングされた重みは、平坦な軌道への正規化を伴う累積誤差摂動に対して頑健であることを示す。
本手法はFTD (Flat Trajectory Distillation) と呼ばれ, 勾配整合法の性能を最大4.7%向上させる。
論文 参考訳(メタデータ) (2022-11-20T15:49:11Z) - Unbalanced CO-Optimal Transport [16.9451175221198]
Co-Optimal Transport (COOT)は、特徴間のアライメントを推論することで、この比較をさらに進める。
実世界のデータに一様に表される外れ値に敏感であることを示す。
これにより、ノイズに対するロバスト性を確実に示す不均衡なCOOTを提案することができる。
論文 参考訳(メタデータ) (2022-05-30T08:43:19Z) - Feasible Low-thrust Trajectory Identification via a Deep Neural Network
Classifier [1.5076964620370268]
本研究は、最適化プロセスに先立って、実現可能な低推力移動を正確に識別するディープニューラルネットワーク(DNN)を提案する。
DNN分類器の全体的な精度は97.9%であり、テストアルゴリズムの中では最高の性能である。
論文 参考訳(メタデータ) (2022-02-10T11:34:37Z) - Deep Shells: Unsupervised Shape Correspondence with Optimal Transport [52.646396621449]
本稿では,3次元形状対応のための教師なし学習手法を提案する。
提案手法は,複数のデータセット上での最先端技術よりも大幅に改善されていることを示す。
論文 参考訳(メタデータ) (2020-10-28T22:24:07Z)
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。