論文の概要: Human Trajectory Forecasting in Crowds: A Deep Learning Perspective

• arxiv url: http://arxiv.org/abs/2007.03639v3
• Date: Mon, 11 Jan 2021 11:02:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-12 20:08:53.768674
• Title: Human Trajectory Forecasting in Crowds: A Deep Learning Perspective
• Title（参考訳）: 群衆における人的軌道予測 : 深層学習の視点から
• Authors: Parth Kothari, Sven Kreiss, Alexandre Alahi
• Abstract要約: 本稿では,既存の深層学習に基づくソーシャルインタラクションのモデル化手法について詳細に分析する。 本稿では、これらの社会的相互作用を効果的に捉えるための知識に基づく2つのデータ駆動手法を提案する。 我々は,人間の軌道予測分野において,重要かつ欠落したコンポーネントであるTrajNet++を大規模に開発する。
• 参考スコア（独自算出の注目度）: 89.4600982169
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Since the past few decades, human trajectory forecasting has been a field of active research owing to its numerous real-world applications: evacuation situation analysis, deployment of intelligent transport systems, traffic operations, to name a few. Early works handcrafted this representation based on domain knowledge. However, social interactions in crowded environments are not only diverse but often subtle. Recently, deep learning methods have outperformed their handcrafted counterparts, as they learned about human-human interactions in a more generic data-driven fashion. In this work, we present an in-depth analysis of existing deep learning-based methods for modelling social interactions. We propose two knowledge-based data-driven methods to effectively capture these social interactions. To objectively compare the performance of these interaction-based forecasting models, we develop a large scale interaction-centric benchmark TrajNet++, a significant yet missing component in the field of human trajectory forecasting. We propose novel performance metrics that evaluate the ability of a model to output socially acceptable trajectories. Experiments on TrajNet++ validate the need for our proposed metrics, and our method outperforms competitive baselines on both real-world and synthetic datasets.
• Abstract（参考訳）: 過去数十年から、人間の軌道予測は、避難状況分析、インテリジェントトランスポートシステムの展開、交通操作など、現実の多くの応用のために活発な研究の分野となっている。 初期の作品はドメイン知識に基づいてこの表現を手作りした。 しかし、混み合った環境での社会的相互作用は多様であるだけでなく、しばしば微妙である。 近年、より汎用的なデータ駆動方式で人間と人間の相互作用を学習し、深層学習法は手作りの手法よりも優れています。 本稿では,既存の深層学習に基づく社会的相互作用のモデル化手法を詳細に分析する。 これらの社会的相互作用を効果的に捉えるための知識に基づく2つのデータ駆動手法を提案する。 これらの相互作用に基づく予測モデルの性能を客観的に比較するため,人間の軌道予測分野における重要な要素である大規模相互作用中心ベンチマークTrajNet++を開発した。 本稿では,モデルが社会的に許容できる軌道を出力する能力を評価する新しいパフォーマンス指標を提案する。 TrajNet++の実験では提案するメトリクスの必要性が検証され,提案手法は実世界のデータセットと合成データセットの競合ベースラインを上回った。

関連論文リスト

• Geometric Graph Neural Network Modeling of Human Interactions in Crowded Environments [3.7752830020595787]
  本稿では,歩行者のインタラクションをモデル化し,将来の軌跡を予測するために,心理学的な研究からドメイン知識を統合した幾何学的グラフニューラルネットワークアーキテクチャを提案する。 複数のデータセットにまたがる評価では、平均値と最終変位誤差のメトリクスを減らして予測精度が向上した。
  論文  参考訳（メタデータ） (2024-10-22T20:33:10Z)
• Interpretable Data Fusion for Distributed Learning: A Representative Approach via Gradient Matching [19.193379036629167]
  本稿では,複数の生データポイントを仮想表現に変換する分散学習のための代表的アプローチを提案する。 これにより、広範囲なデータセットを消化可能なフォーマットに凝縮し、直感的な人間と機械の相互作用を促進する。
  論文  参考訳（メタデータ） (2024-05-06T18:21:41Z)
• Multi-Agent Dynamic Relational Reasoning for Social Robot Navigation [55.65482030032804]
  社会ロボットナビゲーションは、日常生活の様々な状況において有用であるが、安全な人間とロボットの相互作用と効率的な軌道計画が必要である。 本稿では, 動的に進化する関係構造を明示的に推論した系統的関係推論手法を提案する。 提案手法は,軌道予測器が将来の状態を生成するために使用する関係の進化を捉えるために,動的に進化する関係グラフとハイパーグラフを推論する。
  論文  参考訳（メタデータ） (2024-01-22T18:58:22Z)
• Real-time Addressee Estimation: Deployment of a Deep-Learning Model on the iCub Robot [52.277579221741746]
  住所推定は、社会ロボットが人間とスムーズに対話するために必要なスキルである。 人間の知覚スキルにインスパイアされたディープラーニングモデルは、iCubロボットに設計、訓練、デプロイされる。 本研究では,人間-ロボットのリアルタイムインタラクションにおいて,そのような実装の手順とモデルの性能について述べる。
  論文  参考訳（メタデータ） (2023-11-09T13:01:21Z)
• Real-time Trajectory-based Social Group Detection [22.86110112028644]
  本稿では,ソーシャルグループ検出のためのシンプルで効率的なフレームワークを提案する。 本稿では,行動軌跡がソーシャルグルーピングに与える影響を考察し,新しい,信頼性の高い,高速なデータ駆動手法を用いる。 一般的なJRDBActデータセットに対する実験では,2%から11%の相対的な改善により,顕著な性能向上が見られた。
  論文  参考訳（メタデータ） (2023-04-12T08:01:43Z)
• Deep Learning for Human Parsing: A Survey [54.812353922568995]
  本研究では,人間の意味解析の先駆的な研究の幅広い範囲を網羅する,最先端の人間の構文解析手法の解析を行う。 1) 構造駆動型アーキテクチャは,人体の異なる部分と固有の階層構造を生かし,(2) グラフベースのネットワークは,効率的で完全な人体分析を実現するためにグローバルな情報を捉え,(3) コンテキスト認識ネットワークは,対応するクラスのピクセルを特徴付けるために,すべてのピクセルにわたって有用なコンテキストを探索し,(4) LSTMベースの手法は,短距離と長距離空間の依存関係を結合して,豊富な局所的・グローバルなコンテキストをうまく活用することができる。
  論文  参考訳（メタデータ） (2023-01-29T10:54:56Z)
• Co-Located Human-Human Interaction Analysis using Nonverbal Cues: A Survey [71.43956423427397]
  本研究の目的は,非言語的キューと計算手法を同定し,効果的な性能を実現することである。 この調査は、最も広い範囲の社会現象と相互作用設定を巻き込むことによって、相手と異なる。 もっともよく使われる非言語キュー、計算方法、相互作用環境、センシングアプローチは、それぞれマイクとカメラを備えた3,4人で構成される会話活動、ベクターマシンのサポート、ミーティングである。
  論文  参考訳（メタデータ） (2022-07-20T13:37:57Z)
• BOSS: A Benchmark for Human Belief Prediction in Object-context Scenarios [14.23697277904244]
  本稿では,人間と自律システム間の協調を促進させる手法を検討するために,心の理論(ToM)とオブジェクトコンテキスト関係(Object-Context Relations)の複合知識を利用する。 本稿では、人工知能(AI)システムによる、オブジェクトコンテキストシナリオにおける人間の信念状態の予測能力を評価するための、新しい、かつ挑戦的なマルチモーダルビデオデータセットを提案する。
  論文  参考訳（メタデータ） (2022-06-21T18:29:17Z)
• Comparison of Spatio-Temporal Models for Human Motion and Pose Forecasting in Face-to-Face Interaction Scenarios [47.99589136455976]
  本稿では,行動予測のための最新手法の体系的比較を行った。 UDIVA v0.5の最先端性能を実現するのに最も注意を払っているアプローチである。 短期的に訓練された手法で未来を自動回帰予測することで、かなり長期にわたってベースラインを上回ります。
  論文  参考訳（メタデータ） (2022-03-07T09:59:30Z)

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。