論文の概要: Trajectory saliency detection using consistency-oriented latent codes from a recurrent auto-encoder

• arxiv url: http://arxiv.org/abs/2012.09573v1
• Date: Thu, 17 Dec 2020 13:29:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-02 17:23:17.016663
• Title: Trajectory saliency detection using consistency-oriented latent codes from a recurrent auto-encoder
• Title（参考訳）: リカレントオートエンコーダからの一貫性指向潜在符号を用いた軌道塩分検出
• Authors: L. Maczyta, P. Bouthemy and O. Le Meur
• Abstract要約: 軌道は、プログレッシブな動的サリエンシー検出をサポートする最良の方法です。 与えられた文脈に関連する共通の動きパターンを共有する通常の軌跡から逸脱した場合、軌跡は有能である。 本手法は,鉄道駅で取得した歩行者軌跡の公開データセットから得られた複数のシナリオにおいて,既存の手法に勝ることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we are concerned with the detection of progressive dynamic saliency from video sequences. More precisely, we are interested in saliency related to motion and likely to appear progressively over time. It can be relevant to trigger alarms, to dedicate additional processing or to detect specific events. Trajectories represent the best way to support progressive dynamic saliency detection. Accordingly, we will talk about trajectory saliency. A trajectory will be qualified as salient if it deviates from normal trajectories that share a common motion pattern related to a given context. First, we need a compact while discriminative representation of trajectories. We adopt a (nearly) unsupervised learning-based approach. The latent code estimated by a recurrent auto-encoder provides the desired representation. In addition, we enforce consistency for normal (similar) trajectories through the auto-encoder loss function. The distance of the trajectory code to a prototype code accounting for normality is the means to detect salient trajectories. We validate our trajectory saliency detection method on synthetic and real trajectory datasets, and highlight the contributions of its different components. We show that our method outperforms existing methods on several scenarios drawn from the publicly available dataset of pedestrian trajectories acquired in a railway station (Alahi 2014).
• Abstract（参考訳）: 本稿では,ビデオシーケンスから進行動的サリエンシを検出することに関心がある。 より正確には、私たちは動きに関連する給与に興味があり、時間とともに徐々に現れる可能性が高い。 アラームの起動、追加処理の献身、特定のイベントの検出に関連がある。 軌道は、進行的な動的塩分検出をサポートする最善の方法である。 そのため、トラジェクティブ・サリエンシーについて論じる。 与えられた文脈に関連する共通の動きパターンを共有する通常の軌跡から逸脱した場合、軌跡は有能である。 まず、軌跡のコンパクトかつ識別的な表現が必要である。 ほぼ)教師なしの学習ベースのアプローチを採用しています。 再帰オートエンコーダによって推定される潜在コードは、所望の表現を提供する。 さらに、オートエンコーダ損失関数を用いて、通常の(類似した)軌道の整合性を強制する。 軌道コードから正規性を考慮したプロトタイプコードまでの距離は、健全な軌道を検出する手段である。 我々は,合成および実軌道データセット上での軌道塩分検出手法を検証し,その異なる成分の寄与を強調する。 本手法は,駅で取得した歩行者軌跡の公開データセット(alahi 2014)から得られた複数のシナリオにおいて,既存の手法に勝ることを示す。

関連論文リスト

• Pedestrian Trajectory Prediction with Missing Data: Datasets, Imputation, and Benchmarking [7.9449756510822915]
  TrajImputeは、観測された軌道の座標をシミュレートする歩行者軌道予測データセットである。 本研究では,欠落した座標を再構築するためのいくつかの計算手法について検討し,歩行者軌道の計算のためのベンチマークを行う。 本データセットは,今後の歩行者軌跡予測研究の基盤となる資料を提供する。
  論文  参考訳（メタデータ） (2024-10-31T19:42:42Z)
• Holistic Representation Learning for Multitask Trajectory Anomaly Detection [65.72942351514956]
  そこで本研究では,異なる時間帯における骨格軌跡の包括的表現による予測運動の学習を提案する。 我々は、時間的閉鎖された軌道を符号化し、ブロックされたセグメントの潜在表現を共同学習し、異なる時間的セグメントにわたる期待運動に基づいて軌道を再構築する。
  論文  参考訳（メタデータ） (2023-11-03T11:32:53Z)
• Transformers for Multi-Object Tracking on Point Clouds [9.287964414592826]
  TransMOTは、新しいトランスフォーマーベースのトレーニング可能なオンライントラッカーで、ポイントクラウドデータのための検出器である。 このモデルはクロス・アンド・セルフ・アテンション・メカニズムを利用しており、自動車のコンテキストにおけるライダーデータに適用可能である。 提案したモデルは、Kalmanフィルタベースのトラッキングベースラインよりも優れている。
  論文  参考訳（メタデータ） (2022-05-31T12:20:54Z)
• Unsupervised Learning of Accurate Siamese Tracking [68.58171095173056]
  分類枝と回帰枝の両方で時間対応を学習できる新しい教師なし追跡フレームワークを提案する。 トラッカーは、トラッカーネットやLaSOTのような大規模データセット上で、教師なしの手法と同等の性能を発揮する。
  論文  参考訳（メタデータ） (2022-04-04T13:39:43Z)
• 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)
• Trajectory Forecasting from Detection with Uncertainty-Aware Motion Encoding [121.66374635092097]
  物体検出と追跡から得られる軌道は、必然的にうるさい。 本稿では, 明示的に形成された軌道に依存することなく, 直接検出結果に基づく軌道予測器を提案する。
  論文  参考訳（メタデータ） (2022-02-03T09:09:56Z)
• Decoder Fusion RNN: Context and Interaction Aware Decoders for Trajectory Prediction [53.473846742702854]
  本稿では,動き予測のための反復的,注意に基づくアプローチを提案する。 Decoder Fusion RNN (DF-RNN) は、リカレント動作エンコーダ、エージェント間マルチヘッドアテンションモジュール、コンテキスト認識デコーダで構成される。 提案手法の有効性をArgoverseモーション予測データセットで検証し,その性能を公開ベンチマークで示す。
  論文  参考訳（メタデータ） (2021-08-12T15:53:37Z)
• Exploring Dynamic Context for Multi-path Trajectory Prediction [33.66335553588001]
  動的コンテキストネットワーク(DCENet)という新しいフレームワークを提案する。 本フレームワークでは,エージェント間の空間的コンテキストを自己注意型アーキテクチャを用いて探索する。 学習した空間的時間的文脈に基づいて、各エージェントに対する将来の軌跡のセットを条件付きで予測する。
  論文  参考訳（メタデータ） (2020-10-30T13:39:20Z)
• AutoTrajectory: Label-free Trajectory Extraction and Prediction from Videos using Dynamic Points [92.91569287889203]
  軌道抽出と予測のための新しいラベルなしアルゴリズムAutoTrajectoryを提案する。 動画中の移動物体をよりよく捉えるために,ダイナミックポイントを導入する。 ビデオ内の歩行者などの移動物体を表すインスタンスポイントに動的ポイントを集約する。
  論文  参考訳（メタデータ） (2020-07-11T08:43:34Z)
• Unsupervised Multiple Person Tracking using AutoEncoder-Based Lifted Multicuts [11.72025865314187]
  最小限の視覚的特徴とリフトマルチカットに基づく教師なし多重物体追跡手法を提案する。 提案したアノテーションを使わずにトレーニングされているにもかかわらず,我々のモデルは,歩行者追跡のための挑戦的なMOTベンチマークにおいて,競争力のある結果をもたらすことを示した。
  論文  参考訳（メタデータ） (2020-02-04T09:42:34Z)

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。