論文の概要: An Unsupervised Learning Method with Convolutional Auto-Encoder for Vessel Trajectory Similarity Computation

• arxiv url: http://arxiv.org/abs/2101.03169v1
• Date: Sun, 10 Jan 2021 04:42:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-09 06:26:26.999470
• Title: An Unsupervised Learning Method with Convolutional Auto-Encoder for Vessel Trajectory Similarity Computation
• Title（参考訳）: 船体軌道類似性計算のための畳み込みオートエンコーダを用いた教師なし学習法
• Authors: Maohan Liang, Ryan Wen Liu, Shichen Li, Zhe Xiao, Xin Liu, Feng Lu
• Abstract要約: 畳み込みオートエンコーダ(CAE)を用いて低次元特徴を自動的に抽出する教師なし学習手法を提案する。 収集された大量の血管軌跡に基づいて、CAEは教師なしの方法で情報的軌跡画像の低次元表現を学習することができる。 提案手法は従来の軌道類似性手法を効率と有効性で大きく上回っている。
• 参考スコア（独自算出の注目度）: 13.003061329076775
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: To achieve reliable mining results for massive vessel trajectories, one of the most important challenges is how to efficiently compute the similarities between different vessel trajectories. The computation of vessel trajectory similarity has recently attracted increasing attention in the maritime data mining research community. However, traditional shape- and warping-based methods often suffer from several drawbacks such as high computational cost and sensitivity to unwanted artifacts and non-uniform sampling rates, etc. To eliminate these drawbacks, we propose an unsupervised learning method which automatically extracts low-dimensional features through a convolutional auto-encoder (CAE). In particular, we first generate the informative trajectory images by remapping the raw vessel trajectories into two-dimensional matrices while maintaining the spatio-temporal properties. Based on the massive vessel trajectories collected, the CAE can learn the low-dimensional representations of informative trajectory images in an unsupervised manner. The trajectory similarity is finally equivalent to efficiently computing the similarities between the learned low-dimensional features, which strongly correlate with the raw vessel trajectories. Comprehensive experiments on realistic data sets have demonstrated that the proposed method largely outperforms traditional trajectory similarity computation methods in terms of efficiency and effectiveness. The high-quality trajectory clustering performance could also be guaranteed according to the CAE-based trajectory similarity computation results.
• Abstract（参考訳）: 大型船舶軌道の信頼性の高い鉱業結果を得るためには, 異なる船舶軌道間の類似性を効率的に計算する方法が重要な課題である。 近年,海洋データマイニング研究コミュニティにおいて,船舶軌道類似性の計算が注目されている。 しかし、従来の形状や反りに基づく手法では、高い計算コストや不要なアーティファクトに対する感度、不均一なサンプリングレートなどの欠点がしばしば発生する。 これらの欠点を解消するために,畳み込みオートエンコーダ(CAE)を用いて低次元特徴を自動的に抽出する教師なし学習手法を提案する。 特に, 生血管軌跡を時空間特性を保ちながら2次元の行列に再構成することにより, まず情報的軌跡画像を生成する。 収集された大量の血管軌跡に基づいて、CAEは教師なしの方法で情報的軌跡画像の低次元表現を学習することができる。 軌道類似性は、学習された低次元特徴間の類似性を効率的に計算することと同値である。 実データ集合に関する包括的実験により,提案手法は従来の軌道類似性計算手法よりも効率と有効性において優れることが示された。 高品質な軌道クラスタリング性能は、CAEに基づく軌道類似性計算結果に従って保証される。

関連論文リスト

• SIMformer: Single-Layer Vanilla Transformer Can Learn Free-Space Trajectory Similarity [11.354974227479355]
  本稿では,単一層ベニラ変換器エンコーダのみを特徴抽出器として使用する,シンプルで正確かつ高速でスケーラブルなモデルを提案する。 我々のモデルは、次元問題の呪いを著しく軽減し、有効性、効率性、スケーラビリティにおいて最先端の技術を上回ります。
  論文  参考訳（メタデータ） (2024-10-18T17:30:17Z)
• A Survey of Distance-Based Vessel Trajectory Clustering: Data Pre-processing, Methodologies, Applications, and Experimental Evaluation [16.87659569476234]
  船舶の軌道クラスタリングは海上のインテリジェント輸送システムにとって重要な要素である。 容器軌道クラスタリングは、異常検出や軌道予測などのアプリケーションに有用な洞察を提供する。 本稿では,最も広く普及している船体軌道クラスタリング法について概説する。
  論文  参考訳（メタデータ） (2024-07-13T17:02:44Z)
• Towards Stable and Storage-efficient Dataset Distillation: Matching Convexified Trajectory [53.37473225728298]
  ディープラーニングと大規模言語モデルの急速な進化により、トレーニングデータの需要が指数関数的に増加した。 MTT(Matching Training Trajectories)は、専門家ネットワークのトレーニングトラジェクトリを、合成データセットで実データ上に複製する、顕著なアプローチである。 そこで本研究では,学生の軌道に対するより良いガイダンスを提供することを目的として,MCT (Matching Convexified Trajectory) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-06-28T11:06:46Z)
• T-JEPA: A Joint-Embedding Predictive Architecture for Trajectory Similarity Computation [6.844357745770191]
  軌道類似性計算は,様々なアプリケーション間での空間データの移動パターンを解析するための重要な手法である。 本稿では,JEPA(Joint-Embedding Predictive Architecture)を用いた自己教師付き軌道類似性手法T-JEPAを提案する。
  論文  参考訳（メタデータ） (2024-06-13T09:51:51Z)
• Minimizing the Accumulated Trajectory Error to Improve Dataset Distillation [151.70234052015948]
  本稿では,フラットな軌道を求める最適化アルゴリズムを提案する。 合成データに基づいてトレーニングされた重みは、平坦な軌道への正規化を伴う累積誤差摂動に対して頑健であることを示す。 本手法はFTD (Flat Trajectory Distillation) と呼ばれ, 勾配整合法の性能を最大4.7%向上させる。
  論文  参考訳（メタデータ） (2022-11-20T15:49:11Z)
• Contrastive Trajectory Similarity Learning with Dual-Feature Attention [24.445998309807965]
  トレイ類似度尺度は、トラジェクトリデータベースにおけるクエリ述語として機能する。 そこで本研究では,TrajCLという学習に基づくトラジェクトリモデリング手法を提案する。 TrajCLは、最先端の軌跡類似度測定よりも一貫して、はるかに正確で高速である。
  論文  参考訳（メタデータ） (2022-10-11T05:25:14Z)
• Globally Optimal Event-Based Divergence Estimation for Ventral Landing [55.29096494880328]
  イベントセンシングはバイオインスパイアされた飛行誘導と制御システムの主要なコンポーネントである。 本研究では, イベントカメラを用いた腹側着陸時の表面との接触時間予測について検討する。 これは、着陸時に発生する事象の流れから放射光の流れの速度である発散(逆TTC)を推定することで達成される。 我々のコアコントリビューションは、イベントベースの発散推定のための新しいコントラスト最大化定式化と、コントラストを正確に最大化し、最適な発散値を求めるブランチ・アンド・バウンドアルゴリズムである。
  論文  参考訳（メタデータ） (2022-09-27T06:00:52Z)
• Efficient Few-Shot Object Detection via Knowledge Inheritance [62.36414544915032]
  Few-shot Object Detection (FSOD) は、未確認のタスクに少ないトレーニングサンプルで適応できるジェネリック検出器を学習することを目的としている。 計算量の増加を伴わない効率的なプレトレイン・トランスファー・フレームワーク(PTF)のベースラインを提案する。 また,予測された新しいウェイトと事前訓練されたベースウェイトとのベクトル長の不整合を軽減するために,適応長再スケーリング(ALR)戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-23T06:24:31Z)
• 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)
• ST2Vec: Spatio-Temporal Trajectory Similarity Learning in Road Networks [27.452831603278565]
  本稿では,2対の軌跡間の微粒な空間的・時間的関係を考慮した軌道学習型アーキテクチャST2Vecを提案する。 カリキュラムの概念にインスパイアされたST2Vecは、モデル最適化のためのカリキュラム学習を採用し、収束性と有効性の両方を改善している。 実験的研究は、ST2Vecがすべての最先端の競争相手を、有効性、効率、堅牢性で大きく上回っていることを示す。
  論文  参考訳（メタデータ） (2021-12-17T06:18:04Z)
• Channelized Axial Attention for Semantic Segmentation [70.14921019774793]
  チャネルアキシャルアテンション(CAA)を提案し、チャネルアテンションと軸アテンションをシームレスに統合し、計算複雑性を低減します。 私たちのCAAは、DANetのような他の注意モデルに比べて計算リソースをはるかに少なくするだけでなく、すべての検証済みデータセット上で最先端のResNet-101ベースのセグメンテーションモデルよりも優れています。
  論文  参考訳（メタデータ） (2021-01-19T03:08:03Z)

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。