論文の概要: Vehicle Trajectory Prediction by Transfer Learning of Semi-Supervised
Models
- arxiv url: http://arxiv.org/abs/2007.06781v2
- Date: Sat, 10 Oct 2020 01:51:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-10 14:09:11.785658
- Title: Vehicle Trajectory Prediction by Transfer Learning of Semi-Supervised
Models
- Title(参考訳): 半教師付きモデルの伝達学習による車両軌道予測
- Authors: Nick Lamm, Shashank Jaiprakash, Malavika Srikanth, Iddo Drori
- Abstract要約: 本研究では,車両軌道予測のための半教師付きモデルにより,実世界のベンチマーク上での教師付きモデルよりも性能が大幅に向上することを示す。
半教師付きモデルと教師付きモデルの伝達学習を比較し、他のすべての要因を等しく保ちながらアブレーション研究を行う。
- 参考スコア(独自算出の注目度): 1.5293427903448022
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work we show that semi-supervised models for vehicle trajectory
prediction significantly improve performance over supervised models on
state-of-the-art real-world benchmarks. Moving from supervised to
semi-supervised models allows scaling-up by using unlabeled data, increasing
the number of images in pre-training from Millions to a Billion. We perform
ablation studies comparing transfer learning of semi-supervised and supervised
models while keeping all other factors equal. Within semi-supervised models we
compare contrastive learning with teacher-student methods as well as networks
predicting a small number of trajectories with networks predicting
probabilities over a large trajectory set. Our results using both low-level and
mid-level representations of the driving environment demonstrate the
applicability of semi-supervised methods for real-world vehicle trajectory
prediction.
- Abstract(参考訳): 本研究では,車両軌道予測のための半教師付きモデルが,最先端実世界のベンチマークにおいて教師付きモデルよりも大幅に性能が向上することを示す。
教師付きモデルから半教師付きモデルに移行することで、ラベルのないデータを使用することでスケールアップが可能になり、事前トレーニング中の画像数が数百万から10億に増加する。
半教師付きモデルと教師付きモデルの伝達学習を、他のすべての因子を等しく保ちながら比較したアブレーション研究を行う。
半教師モデル内では,コントラスト学習と教師の学習方法と,少数のトラジェクタを予測したネットワークと,大きな軌道セット上の確率を予測するネットワークを比較した。
運転環境の低レベル表現と中レベル表現の両方を用いて,実世界の車両軌道予測における半教師あり手法の適用性を示す。
関連論文リスト
- Towards Generalizable and Interpretable Motion Prediction: A Deep
Variational Bayes Approach [54.429396802848224]
本稿では,分布外ケースに対する頑健な一般化性を有する動き予測のための解釈可能な生成モデルを提案する。
このモデルでは, 長期目的地の空間分布を推定することにより, 目標駆動動作予測を実現する。
動き予測データセットの実験は、適合したモデルが解釈可能で一般化可能であることを検証した。
論文 参考訳(メタデータ) (2024-03-10T04:16:04Z) - Towards Theoretical Understandings of Self-Consuming Generative Models [60.98692028151328]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。
我々は,この学習規則が将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。
我々は拡散モデルに一般結果を特化し、自己消費ループ内での最適な早期停止の有効性などの微妙な洞察を提供する。
論文 参考訳(メタデータ) (2024-02-19T02:08:09Z) - Learning Unsupervised World Models for Autonomous Driving via Discrete
Diffusion [38.48682990918926]
センサ観測をVQVAEでトークン化する新しい世界モデリング手法を提案する。
本研究は,ロボットエージェントに対するGPTのような教師なし学習のパワーを,トークン化エージェント体験における離散拡散によって解き放つことを示す。
論文 参考訳(メタデータ) (2023-11-02T06:21:56Z) - Pre-training on Synthetic Driving Data for Trajectory Prediction [64.16991399882477]
我々は,データ可用性の制限の下で一般的な軌道予測表現を学習することの課題に取り組むことを目的としている。
我々はHD-mapのグラフ表現を利用し、ベクトル変換を適用して地図を再構成する。
我々は、拡張シーンに基づく軌道を生成するためにルールベースのモデルを用いる。
論文 参考訳(メタデータ) (2023-09-18T19:49:22Z) - TRAK: Attributing Model Behavior at Scale [79.56020040993947]
本稿では,大規模な微分モデルに対して有効かつ計算的に抽出可能なデータ属性法であるTRAK(Tracing with Randomly-trained After Kernel)を提案する。
論文 参考訳(メタデータ) (2023-03-24T17:56:22Z) - An Empirical Bayes Analysis of Object Trajectory Representation Models [3.683202928838613]
本稿では,物体軌道のモデル化におけるモデル複雑性と適合誤差のトレードオフについて,詳細な実験的検討を行った。
この結果から, 線形モデルは高忠実度な実世界の軌道を表現し, 非常に適度なモデル複雑性を示すことがわかった。
論文 参考訳(メタデータ) (2022-11-03T10:39:41Z) - Transforming Model Prediction for Tracking [109.08417327309937]
トランスフォーマーは、誘導バイアスの少ないグローバルな関係を捉え、より強力なターゲットモデルの予測を学ぶことができる。
提案したトラッカーをエンドツーエンドにトレーニングし、複数のトラッカーデータセットに関する総合的な実験を行うことで、その性能を検証する。
我々のトラッカーは3つのベンチマークで新しい技術状態を設定し、挑戦的なLaSOTデータセットで68.5%のAUCを達成した。
論文 参考訳(メタデータ) (2022-03-21T17:59:40Z) - The Lottery Tickets Hypothesis for Supervised and Self-supervised
Pre-training in Computer Vision Models [115.49214555402567]
事前訓練された重量は、しばしば分類、検出、セグメンテーションを含む幅広い下流タスクを増加させる。
最近の研究は、巨大モデル能力による事前学習の利点を示唆している。
本稿では,抽選券仮説(LTH)のレンズを用いて,教師付きおよび自己指導型事前学習モデルについて検討する。
論文 参考訳(メタデータ) (2020-12-12T21:53:55Z) - The Importance of Balanced Data Sets: Analyzing a Vehicle Trajectory
Prediction Model based on Neural Networks and Distributed Representations [0.0]
車両軌道予測におけるトレーニングデータの構成について検討する。
本研究では, 意味ベクトル表現を用いたモデルが, 適切なデータセットで訓練した場合に, 数値モデルより優れていることを示す。
論文 参考訳(メタデータ) (2020-09-30T20:00:11Z) - TrajGAIL: Generating Urban Vehicle Trajectories using Generative
Adversarial Imitation Learning [9.01310450044549]
本研究は,都市自動車軌跡データの基礎的分布を学習するための生成的モデリング手法を提案する。
都市部における車両軌跡生成モデルは,トレーニングデータの基盤となる分布を学習することにより,トレーニングデータからより一般化することができる。
TrajGAILは、都市自動車軌道生成のための生成的対向的模倣学習フレームワークである。
論文 参考訳(メタデータ) (2020-07-28T13:17:51Z) - Multi-Head Attention based Probabilistic Vehicle Trajectory Prediction [10.905596145969223]
マルチヘッドアテンションに基づく簡単なエンコーダ・デコーダアーキテクチャを提案する。
提案モデルでは,複数の車両に対して並列に予測された軌道の分布を生成する。
論文 参考訳(メタデータ) (2020-04-08T06:58:51Z)
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。