論文の概要: PrognoseNet: A Generative Probabilistic Framework for Multimodal
Position Prediction given Context Information
- arxiv url: http://arxiv.org/abs/2010.00802v1
- Date: Fri, 2 Oct 2020 06:13:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-12 01:06:48.244769
- Title: PrognoseNet: A Generative Probabilistic Framework for Multimodal
Position Prediction given Context Information
- Title（参考訳）: PrognoseNet:コンテキスト情報を考慮したマルチモーダル位置予測のための生成確率フレームワーク
- Authors: Thomas Kurbiel, Akash Sachdeva, Kun Zhao and Markus Buehren
- Abstract要約: 本稿では,予測問題を分類タスクとして再構成し,強力なツールを実現する手法を提案する。
潜在変数のスマートな選択は、分類問題と非常に単純化された回帰問題の組み合わせとして、ログ様関数の再構成を可能にする。
提案手法は文脈情報を容易に組み込むことができ、データの事前処理は不要である。
- 参考スコア（独自算出の注目度）: 2.5302126831371226
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The ability to predict multiple possible future positions of the ego-vehicle
given the surrounding context while also estimating their probabilities is key
to safe autonomous driving. Most of the current state-of-the-art Deep Learning
approaches are trained on trajectory data to achieve this task. However
trajectory data captured by sensor systems is highly imbalanced, since by far
most of the trajectories follow straight lines with an approximately constant
velocity. This poses a huge challenge for the task of predicting future
positions, which is inherently a regression problem. Current state-of-the-art
approaches alleviate this problem only by major preprocessing of the training
data, e.g. resampling, clustering into anchors etc. In this paper we propose an
approach which reformulates the prediction problem as a classification task,
allowing for powerful tools, e.g. focal loss, to combat the imbalance. To this
end we design a generative probabilistic model consisting of a deep neural
network with a Mixture of Gaussian head. A smart choice of the latent variable
allows for the reformulation of the log-likelihood function as a combination of
a classification problem and a much simplified regression problem. The output
of our model is an estimate of the probability density function of future
positions, hence allowing for prediction of multiple possible positions while
also estimating their probabilities. The proposed approach can easily
incorporate context information and does not require any preprocessing of the
data.
- Abstract（参考訳）: 周囲の環境を考慮し、その確率を推定しながら、エゴ車の将来的な位置を予測できる能力は、安全な自動運転の鍵となる。
現在の最先端のディープラーニングアプローチのほとんどは、このタスクを達成するために、軌跡データに基づいて訓練されている。
しかし、センサシステムによってキャプチャされた軌道データは、ほとんどがほぼ一定の速度で直線に従うため、非常に不均衡である。
これは、本質的に回帰問題である将来の位置を予測するタスクにとって大きな課題となる。
現在の最先端のアプローチは、トレーニングデータの大規模な前処理、例えば再サンプリング、アンカーへのクラスタリングによってのみこの問題を軽減する。
本稿では,予測問題を分類タスクとして再構成し,不均衡に対処するための強力なツール,例えば焦点損失を許容する手法を提案する。
そこで我々は,ガウスの頭部を混合したディープニューラルネットワークからなる生成確率モデルを設計した。
潜在変数のスマートな選択は、分類問題とより単純化された回帰問題の組み合わせとして、ログ類似関数の再構成を可能にする。
本モデルの出力は,将来の位置の確率密度関数を推定し,その確率を推定しながら,複数の可能な位置の予測を可能にする。
提案手法は文脈情報を容易に取り入れることができ,データの事前処理は不要である。
関連論文リスト
- A Rate-Distortion View of Uncertainty Quantification [36.85921945174863]
教師付き学習では、入力がトレーニングデータに近接していることを理解することは、モデルが信頼できる予測に達する十分な証拠を持っているかどうかを判断するのに役立つ。
本稿では,この特性でディープニューラルネットワークを強化するための新しい手法であるDistance Aware Bottleneck (DAB)を紹介する。
論文 参考訳（メタデータ） (2024-06-16T01:33:22Z) - Investigating Low Data, Confidence Aware Image Prediction on Smooth Repetitive Videos using Gaussian Processes [25.319133815064557]
我々は、非常に少ないトレーニングデータから解釈可能な信頼境界を持つ画像列の将来の画像を予測する問題に焦点をあてる。
逐次予測画像上で確率分布を生成し、時間を通して不確実性を伝播し、予測に対する信頼度を生成する。
衛星画像から歩行者の流れや気象パターンを予測することで,実世界のデータに対するアプローチの能力を実証する。
論文 参考訳（メタデータ） (2023-07-20T22:35:27Z) - Uncertainty estimation of pedestrian future trajectory using Bayesian
approximation [137.00426219455116]
動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。
著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。
将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
論文 参考訳（メタデータ） (2022-05-04T04:23:38Z) - PreTR: Spatio-Temporal Non-Autoregressive Trajectory Prediction
Transformer [0.9786690381850356]
PRediction Transformer (PReTR) と呼ばれるモデルを導入し、時間分解型アテンションモジュールを用いてマルチエージェントシーンから特徴を抽出する。
これは、経験的により良い結果を持つ以前の研究されたモデルよりも計算上の必要性が低いことを示している。
我々は,学習対象クエリの集合を並列デコードするために,エンコーダ・デコーダ・トランスフォーマネットワークを利用する。
論文 参考訳（メタデータ） (2022-03-17T12:52:23Z) - Uncertainty Modeling for Out-of-Distribution Generalization [56.957731893992495]
特徴統計を適切に操作することで、ディープラーニングモデルの一般化能力を向上させることができると論じる。
一般的な手法では、特徴統計を学習した特徴から測定された決定論的値とみなすことが多い。
我々は、学習中に合成された特徴統計を用いて、領域シフトの不確かさをモデル化することにより、ネットワークの一般化能力を向上させる。
論文 参考訳（メタデータ） (2022-02-08T16:09:12Z) - Backward-Compatible Prediction Updates: A Probabilistic Approach [12.049279991559091]
本稿では,予測更新問題を定式化し,上記の質問に対する効率的な確率的アプローチを提案する。
標準分類ベンチマークデータセットの広範な実験において,提案手法は後方互換性のある予測更新のための代替戦略よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-07-02T13:05:31Z) - Learning Probabilistic Ordinal Embeddings for Uncertainty-Aware
Regression [91.3373131262391]
不確かさが唯一の確実性である。
伝統的に、直接回帰定式化を考慮し、ある確率分布の族に出力空間を変更することによって不確実性をモデル化する。
現在のレグレッション技術における不確実性をモデル化する方法は、未解決の問題である。
論文 参考訳（メタデータ） (2021-03-25T06:56:09Z) - Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。
彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。
本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
論文 参考訳（メタデータ） (2021-02-22T07:02:37Z) - Deep transformation models: Tackling complex regression problems with
neural network based transformation models [0.0]
確率回帰のための深層変換モデルを提案する。
これは、結果の不確実性を捉える最も徹底的な方法である条件付き確率分布全体を推定する。
本手法は複雑な入力データに対して有効であり,画像データにCNNアーキテクチャを適用して実演する。
論文 参考訳（メタデータ） (2020-04-01T14:23:12Z) - Ambiguity in Sequential Data: Predicting Uncertain Futures with
Recurrent Models [110.82452096672182]
逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。
また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
論文 参考訳（メタデータ） (2020-03-10T09:15:42Z) - Value-driven Hindsight Modelling [68.658900923595]
値推定は強化学習(RL)パラダイムの重要な構成要素である。
モデル学習は、観測系列に存在する豊富な遷移構造を利用することができるが、このアプローチは通常、報酬関数に敏感ではない。
この2つの極点の間に位置するRLにおける表現学習のアプローチを開発する。
これにより、タスクに直接関連し、値関数の学習を加速できる、抽出可能な予測ターゲットが提供される。
論文 参考訳（メタデータ） (2020-02-19T18:10:20Z)
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。