Fugu-MT 論文翻訳(概要): CityFlow-NL: Tracking and Retrieval of Vehicles at City Scale by Natural Language Descriptions

論文の概要: CityFlow-NL: Tracking and Retrieval of Vehicles at City Scale by Natural Language Descriptions

arxiv url: http://arxiv.org/abs/2101.04741v2
Date: Thu, 14 Jan 2021 03:51:21 GMT
ステータス: 処理完了
システム内更新日: 2021-04-04 01:42:42.802098
Title: CityFlow-NL: Tracking and Retrieval of Vehicles at City Scale by Natural Language Descriptions
Title（参考訳）: CityFlow-NL:自然言語記述による都市規模の自動車の追跡と検索
Authors: Qi Feng, Vitaly Ablavsky, Stan Sclaroff
Abstract要約: 広く採用されているCityFlow Benchmarkを、車両ターゲットの自然言語記述で拡張します。 CityFlow-NLには5,000以上のユニークで正確な車両目標のNL記述が含まれています。
参考スコア（独自算出の注目度）: 34.5603627264287
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Natural Language (NL) descriptions can be the most convenient or the only way to interact with systems built to understand and detect city scale traffic patterns and vehicle-related events. In this paper, we extend the widely adopted CityFlow Benchmark with natural language descriptions for vehicle targets and introduce the CityFlow-NL Benchmark. The CityFlow-NL contains more than 5,000 unique and precise NL descriptions of vehicle targets, making it the largest-scale tracking with NL descriptions dataset to our knowledge. Moreover, the dataset facilitates research at the intersection of multi-object tracking, retrieval by NL descriptions, and temporal localization of events.
Abstract（参考訳）: 自然言語(NL)の記述は、都市規模の交通パターンや車両関連の出来事を理解し、検出するために構築されたシステムと対話する最も便利または唯一の方法である。本稿では,広く採用されているCityFlow Benchmarkを拡張し,車載目標の自然言語記述とCityFlow-NL Benchmarkの導入について述べる。 CityFlow-NLには5000以上のユニークかつ正確なNL記述が含まれており、私たちの知る限り、NL記述データセットによる最大規模のトラッキングを実現している。さらに、データセットは、マルチオブジェクト追跡、nl記述による検索、イベントの時間的局在の交点の研究を容易にする。

関連論文リスト

Harnessing LLMs for Cross-City OD Flow Prediction [5.6685153523382015]
大規模言語モデル(LLM)を用いた都市間原位置推定(OD)フロー予測の新しい手法を提案する。我々のアプローチは,LLMの高度な意味理解と文脈学習能力を利用して,異なる特徴を持つ都市間のギャップを埋める。我々の新しいフレームワークは、ソース都市からODトレーニングデータセットを収集し、LSMを指導し、ターゲット都市における宛先POIを予測し、予測された宛先POIに最も合う場所を特定する4つの主要なコンポーネントから構成される。
論文参考訳（メタデータ） (2024-09-05T23:04:28Z)
MLS-Track: Multilevel Semantic Interaction in RMOT [31.153018571396206]
本論文では,Unreal Engine 5をベースとした高品質で低コストなデータ生成手法を提案する。我々は新しいベンチマークデータセット、Refer-UE-Cityを構築し、主に交差点監視ビデオのシーンを含む。また、MLS-Trackと呼ばれるマルチレベル意味誘導型多目的フレームワークを提案し、モデルとテキスト間の相互作用を層単位で強化する。
論文参考訳（メタデータ） (2024-04-18T09:31:03Z)
Large Language Models Powered Context-aware Motion Prediction in Autonomous Driving [13.879945446114956]
我々はLarge Language Models (LLMs) を用いて、動き予測タスクのグローバルトラフィックコンテキスト理解を強化する。 LLMに関連するコストを考慮すると、コスト効率のよいデプロイメント戦略を提案する。我々の研究は、LLMの交通シーンの理解と自動運転の動作予測性能を高めるための貴重な洞察を提供する。
論文参考訳（メタデータ） (2024-03-17T02:06:49Z)
4Seasons: Benchmarking Visual SLAM and Long-Term Localization for Autonomous Driving in Challenging Conditions [54.59279160621111]
大規模4Seasonsデータセットに基づく課題条件下での自律運転のための新しい視覚的SLAMと長期局所化ベンチマークを提案する。提案したベンチマークでは,季節変化や天候,照明条件の変動による劇的な外見の変化が報告されている。本稿では,視覚計測,大域的位置認識,および地図に基づく視覚的位置決め性能を共同評価するための統合ベンチマークを提案する。
論文参考訳（メタデータ） (2022-12-31T13:52:36Z)
Symmetric Network with Spatial Relationship Modeling for Natural Language-based Vehicle Retrieval [3.610372087454382]
自然言語(NL)に基づく車両検索は,特定の車両のテキスト記述を検索することを目的としている。 NLに基づく車両検索のための空間関係モデリング(SSM)手法を提案する。第6回AIシティチャレンジでは43.92%のMRR精度を達成した。
論文参考訳（メタデータ） (2022-06-22T07:02:04Z)
Spatio-Temporal Graph Few-Shot Learning with Cross-City Knowledge Transfer [58.6106391721944]
クロスシティの知識は、データ不足の都市から学んだモデルを活用して、データ不足の都市の学習プロセスに役立てるという、その将来性を示している。本稿では,ST-GFSLと呼ばれるS時間グラフのためのモデルに依存しない数ショット学習フレームワークを提案する。本研究では,4つの交通速度予測ベンチマークの総合的な実験を行い,ST-GFSLの有効性を最先端手法と比較した。
論文参考訳（メタデータ） (2022-05-27T12:46:52Z)
Worldwide city transport typology prediction with sentence-BERT based supervised learning via Wikipedia [0.0]
世界の人口の大半は都市部や都市に住んでいる。市の類型学を理解する価値はあるものの、ラベル付きデータ(都市とその類型学)は乏しい。ウィキペディアのページにある情報をもとに,都市の類型を予測するための教師付き機械学習手法を提案する。
論文参考訳（メタデータ） (2022-03-29T00:09:55Z)
Connecting Language and Vision for Natural Language-Based Vehicle Retrieval [77.88818029640977]
本稿では,言語記述という新たなモダリティを,興味ある車両の探索に適用する。言語と視覚を結びつけるために,トランスフォーマーに基づく言語モデルを用いて最先端の視覚モデルを共同で訓練することを提案する。提案手法は第5回AIシティチャレンジで1位を獲得し、18.69%のMRRの精度で競争性能を得た。
論文参考訳（メタデータ） (2021-05-31T11:42:03Z)
The 5th AI City Challenge [51.83023045451549]
第5回AIシティチャレンジには38カ国305チームが参加した。アルゴリズムの有効性と計算効率の両面で評価を行った。結果は、スマートトランスポーテーションにおけるAIの約束を示している。
論文参考訳（メタデータ） (2021-04-25T19:15:27Z)
End-to-end Interpretable Neural Motion Planner [78.69295676456085]
複雑な都市環境での自律走行学習のためのニューラルモーションプランナー(NMP)を提案する。我々は,生lidarデータとhdマップを入力とし,解釈可能な中間表現を生成する全体モデルを設計した。北米のいくつかの都市で収集された実世界の運転データにおける我々のアプローチの有効性を実証する。
論文参考訳（メタデータ） (2021-01-17T14:16:12Z)

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。