Fugu-MT 論文翻訳(概要): Noticing Motion Patterns: Temporal CNN with a Novel Convolution Operator for Human Trajectory Prediction

論文の概要: Noticing Motion Patterns: Temporal CNN with a Novel Convolution Operator for Human Trajectory Prediction

arxiv url: http://arxiv.org/abs/2007.00862v4
Date: Mon, 30 Aug 2021 21:14:52 GMT
ステータス: 処理完了
システム内更新日: 2022-11-14 14:35:42.946750
Title: Noticing Motion Patterns: Temporal CNN with a Novel Convolution Operator for Human Trajectory Prediction
Title（参考訳）: 運動パターンに注目する:人間の軌道予測のための新しい畳み込み演算子を用いた時間CNN
Authors: Dapeng Zhao, Jean Oh
Abstract要約: 本稿では,逐次軌跡データからパターンを学習し,検出し,抽出するための畳み込みニューラルネットワークに基づくアプローチを提案する。人間の軌道予測問題に対する一連の実験は、我々のモデルが技術の状態と相容れない性能を示し、場合によっては性能が向上することを示している。
参考スコア（独自算出の注目度）: 11.46763066579678
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a Convolutional Neural Network-based approach to learn, detect,and extract patterns in sequential trajectory data, known here as Social Pattern Extraction Convolution (Social-PEC). A set of experiments carried out on the human trajectory prediction problem shows that our model performs comparably to the state of the art and outperforms in some cases. More importantly,the proposed approach unveils the obscurity in the previous use of pooling layer, presenting a way to intuitively explain the decision-making process.
Abstract（参考訳）: 本稿では、社会パターン抽出畳み込み(Social-PEC)として知られる、逐次的軌跡データのパターンを学習、検出、抽出するための畳み込みニューラルネットワークに基づくアプローチを提案する。人間の軌道予測問題に対する一連の実験は、我々のモデルが技術の状態と同等に動作し、場合によっては性能が向上していることを示している。さらに重要なことに、提案されたアプローチは、以前のプール層の使用の難しさを明らかにし、意思決定プロセスを直感的に説明する方法を示している。

関連論文リスト

Manipulating Feature Visualizations with Gradient Slingshots [54.31109240020007]
本稿では,モデルの決定過程に大きな影響を及ぼすことなく,特徴可視化(FV)を操作する新しい手法を提案する。ニューラルネットワークモデルにおける本手法の有効性を評価し,任意の選択したニューロンの機能を隠蔽する能力を示す。
論文参考訳（メタデータ） (2024-01-11T18:57:17Z)
TempSAL -- Uncovering Temporal Information for Deep Saliency Prediction [64.63645677568384]
本稿では,逐次時間間隔でサリエンシマップを出力する新たなサリエンシ予測モデルを提案する。提案手法は,学習した時間マップを組み合わせることで,サリエンシ予測を局所的に調整する。私たちのコードはGitHubで公開されます。
論文参考訳（メタデータ） (2023-01-05T22:10:16Z)
Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
論文参考訳（メタデータ） (2022-03-25T16:59:08Z)
Embedding Graph Convolutional Networks in Recurrent Neural Networks for Predictive Monitoring [0.0]
本稿では,グラフ畳み込みネットワークとリカレントニューラルネットワークに基づくアプローチを提案する。実生活のイベントログを実験的に評価したところ、我々のアプローチはより一貫性があり、最先端のアプローチよりも優れています。
論文参考訳（メタデータ） (2021-12-17T17:30:30Z)
Masking Neural Networks Using Reachability Graphs to Predict Process Events [0.0]
Decay Replay Miningは、プロセスモデル表記を使って次のイベントを予測するディープラーニング手法である。本稿では,リプレイマイニングのプロセスモデルとニューラルネットワークを連動させて次の事象を予測する手法を提案する。
論文参考訳（メタデータ） (2021-08-01T09:06:55Z)
Interpretable Social Anchors for Human Trajectory Forecasting in Crowds [84.20437268671733]
本研究では,人混みの軌跡を予測できるニューラルネットワークシステムを提案する。解釈可能なルールベースのインテントを学び、ニューラルネットワークの表現可能性を利用してシーン固有の残差をモデル化する。私たちのアーキテクチャは、インタラクション中心のベンチマークTrajNet++でテストされています。
論文参考訳（メタデータ） (2021-05-07T09:22:34Z)
SLPC: a VRNN-based approach for stochastic lidar prediction and completion in autonomous driving [63.87272273293804]
VRNN(Variiational Recurrent Neural Networks)と呼ばれる生成モデルに基づく新しいLiDAR予測フレームワークを提案する。提案手法は,フレーム内の奥行きマップを空間的に塗り替えることで,スパースデータを扱う際の従来のビデオ予測フレームワークの限界に対処できる。 VRNNのスパースバージョンとラベルを必要としない効果的な自己監督型トレーニング方法を紹介します。
論文参考訳（メタデータ） (2021-02-19T11:56:44Z)
Ada-SISE: Adaptive Semantic Input Sampling for Efficient Explanation of Convolutional Neural Networks [26.434705114982584]
畳み込みニューラルネットワークの効率的な解釈手法を提案する。実験の結果,提案手法は実行時間を最大30%削減できることがわかった。
論文参考訳（メタデータ） (2021-02-15T19:10:00Z)
Regularization via deep generative models: an analysis point of view [8.818465117061205]
本稿では, イメージングにおける逆問題(例えば, デブロアリングやインペインティング)を, 深部生成ニューラルネットワークを用いて正則化する新しい手法を提案する。多くの場合、我々の技術はパフォーマンスの明確な改善を実現し、より堅牢であるように思える。
論文参考訳（メタデータ） (2021-01-21T15:04:57Z)
Social NCE: Contrastive Learning of Socially-aware Motion Representations [87.82126838588279]
実験結果から, 提案手法は最近の軌道予測, 行動クローニング, 強化学習アルゴリズムの衝突速度を劇的に低減することがわかった。本手法は,ニューラルネットワークの設計に関する仮定をほとんど示さないため,神経運動モデルのロバスト性を促進する汎用的手法として使用できる。
論文参考訳（メタデータ） (2020-12-21T22:25:06Z)
Pedestrian Trajectory Prediction with Convolutional Neural Networks [0.3787359747190393]
本稿では,新しい2次元畳み込みモデルを導入し,歩行者軌道予測への新たなアプローチを提案する。この新モデルはリカレントモデルより優れており、ETHとTrajNetデータセットの最先端の結果が得られる。また,歩行者の位置と強力なデータ拡張手法を効果的に表現するシステムを提案する。
論文参考訳（メタデータ） (2020-10-12T15:51:01Z)

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。