Fugu-MT 論文翻訳(概要): Utilizing UNet for the future traffic map prediction task Traffic4cast challenge 2020

論文の概要: Utilizing UNet for the future traffic map prediction task Traffic4cast challenge 2020

arxiv url: http://arxiv.org/abs/2012.00125v1
Date: Tue, 24 Nov 2020 03:21:32 GMT
ステータス: 処理完了
システム内更新日: 2022-09-21 13:03:25.833960
Title: Utilizing UNet for the future traffic map prediction task Traffic4cast challenge 2020
Title（参考訳）: 将来のトラヒックマップ予測タスクtraffic4cast challenge 2020におけるunetの利用
Authors: Sungbin Choi
Abstract要約: 本稿では、UNetによるTraffic4cast Challenge 2020に関する実験について述べる。この課題は、2019年のTraffic4castの課題と同様、世界中の3大都市の高解像度マップ上で、トラフィックフローのボリューム、方向、速度を予測することである。
参考スコア（独自算出の注目度）: 2.3331222018593185
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper describes our UNet based experiments on the Traffic4cast challenge 2020. Similar to the Traffic4cast challenge 2019, the task is to predict traffic flow volume, direction and speed on a high resolution map of three large cities worldwide. We mainly experimented with UNet based deep convolutional networks with various compositions of densely connected convolution layers, average pooling layers and max pooling layers. Three base UNet model types are tried and predictions are combined by averaging prediction scores or taking median value. Our method achieved best performance in this years newly built challenge dataset.
Abstract（参考訳）: 本稿では、UNetによるTraffic4cast Challenge 2020に関する実験について述べる。 traffic4cast challenge 2019と同様に、このタスクは世界中の3つの大都市の高解像度マップで、トラフィックの流れ量、方向、速度を予測することである。主にUNetベースの深層畳み込みネットワークを実験し, 密結合型畳み込み層, 平均プール層, 最大プール層を多種に構成した。 3つのベースunetモデルが試され、予測スコアを平均したり、中央値を取ることで予測が組み合わされる。提案手法は,近年新たに構築したチャレンジデータセットにおいて,最高の性能を達成している。

関連論文リスト

OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
論文参考訳（メタデータ） (2024-09-14T07:44:22Z)
Valeo4Cast: A Modular Approach to End-to-End Forecasting [93.86257326005726]
我々のソリューションはArgoverse 2 end-to-end Forecasting Challengeで63.82 mAPfでランクインした。私たちは、知覚から予測までエンドツーエンドのトレーニングを通じて、このタスクに取り組む現在のトレンドから離れ、代わりにモジュラーアプローチを使用します。私たちは、昨年の優勝者より+17.1ポイント、今年の優勝者より+13.3ポイント、予測結果を+17.1ポイント上回る。
論文参考訳（メタデータ） (2024-06-12T11:50:51Z)
Multi-task Learning for Sparse Traffic Forecasting [13.359590890052454]
本稿では,各道路セグメントの混雑クラスと速度を同時に予測できるマルチタスク学習ネットワークを提案する。提案手法はTraffic4cast Competition 2022で提供されたデータセットにおいて,ソースコードをhttps://github.com/OctopusLi/NeurIPS2022-traffic4castで公開しています。
論文参考訳（メタデータ） (2022-11-18T02:10:40Z)
Large scale traffic forecasting with gradient boosting, Traffic4cast 2022 challenge [0.0]
我々は、IARAI Traffic4cast 2022コンペティションにソリューションを提示する。目的は、道路グラフエッジの混雑クラスとスーパーセグメンションレベルの走行時間を予測するアルゴリズムを開発することである。このシンプルで高速でスケーラブルなテクニックは、コアコンペで2位を獲得しました。
論文参考訳（メタデータ） (2022-10-31T21:52:19Z)
Predicting Future Occupancy Grids in Dynamic Environment with Spatio-Temporal Learning [63.25627328308978]
本稿では,将来の占有予測を生成するための時間的予測ネットワークパイプラインを提案する。現在のSOTAと比較して、我々の手法は3秒の長い水平線での占有を予測している。我々は、さらなる研究を支援するために、nulisに基づくグリッド占有データセットを公開します。
論文参考訳（メタデータ） (2022-05-06T13:45:32Z)
Traffic4cast -- Large-scale Traffic Prediction using 3DResNet and Sparse-UNet [2.568084386350801]
本研究の目的は、歴史的データポイントを用いて、複数の都市における正常化された平均交通速度とサブリージョンの流れを予測する機械学習モデルを構築することである。本大会では3DRparseNetes と Sparse-UNet の3つの課題について検討する。この結果から,提案モデルがベースラインアルゴリズムよりもはるかに優れた性能を示した。
論文参考訳（メタデータ） (2021-11-10T23:40:52Z)
Attention Gate in Traffic Forecasting [16.153263073898746]
交通地図映画予測チャレンジ2020は、ニューラル情報処理システムに関する第34回大会(NeurIPS)のコンペティショントラックで開催される。作業は、ベルリン、イスタンブール、モスクワの3大都市の地理的領域で、交通量、平均速度を予測することである。本稿では,U-Netモデルにアテンション機構を適用し,特に,コンダクションパスと拡張パスのスキップ接続にアテンションゲートを付加する。
論文参考訳（メタデータ） (2021-09-27T12:58:12Z)
A Graph Convolutional Network with Signal Phasing Information for Arterial Traffic Prediction [63.470149585093665]
動脈交通予測は現代のインテリジェント交通システムの発展に重要な役割を担っています動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
論文参考訳（メタデータ） (2020-12-25T01:40:29Z)
TLab: Traffic Map Movie Forecasting Based on HR-NET [23.40323690536007]
私たちのソリューションでは、手作りの機能はチャネルの形でモデルに入力されます。予測精度に関しては、NeurIPS 2020、Traffic4cast Challengeで2位を獲得しました。
論文参考訳（メタデータ） (2020-11-13T18:48:13Z)
Action Sequence Predictions of Vehicles in Urban Environments using Map and Social Context [152.0714518512966]
本研究は、現実の運転シナリオにおける周辺車両の今後の行動の順序を予測する問題について研究する。最初のコントリビューションは、現実世界の運転シナリオに記録された軌跡をHDマップの助けを借りてアクションシーケンスに変換する自動手法である。第2のコントリビューションは、よく知られたトラフィックエージェント追跡と予測データセットArgoverseへのメソッドの適用であり、結果として228,000のアクションシーケンスが生成される。第3のコントリビューションは,交通エージェント,地図情報,社会状況の過去の位置と速度を,単一エンドツーエンドのトレーニング可能なニューラルネットワークに統合して,新たな行動シーケンス予測手法を提案することである。
論文参考訳（メタデータ） (2020-04-29T14:59:58Z)
TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。 TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。 4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
論文参考訳（メタデータ） (2020-04-26T00:01:49Z)

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。