論文の概要: On Exposing the Challenging Long Tail in Future Prediction of Traffic Actors

• arxiv url: http://arxiv.org/abs/2103.12474v1
• Date: Tue, 23 Mar 2021 11:56:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-24 21:39:44.585923
• Title: On Exposing the Challenging Long Tail in Future Prediction of Traffic Actors
• Title（参考訳）: 交通アクターの将来予測における長尺道路の設置について
• Authors: Osama Makansi, \"Ozg\"un Cicek, Yassine Marrakchi, and Thomas Brox
• Abstract要約: 本稿では,データセット分布のロングテールにおけるsce-nariosの課題について述べる。 連続して、挑戦的なケースを互いに近づけるアロスで通常の損失を補うことを提案します。 課題のあるケース間で情報を共有し、具体的な予測機能を学びます。
• 参考スコア（独自算出の注目度）: 38.782472905505124
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Predicting the states of dynamic traffic actors into the fu-ture is important for autonomous systems to operate safelyand efficiently. Remarkably, the most critical scenarios aremuch less frequent and more complex than the uncriticalones. Therefore, uncritical cases dominate the prediction.In this paper, we address specifically the challenging sce-narios at the long tail of the dataset distribution. Our anal-ysis shows that the common losses tend to place challeng-ing cases sub-optimally in the embedding space. As a con-sequence, we propose to supplement the usual loss with aloss that places challenging cases closer to each other. Thistriggers sharing information among challenging cases andlearning specific predictive features. We show on four pub-lic datasets that this leads to improved performance on thechallenging scenarios while the overall performance staysstable. The approach is agnostic w.r.t. the used networkarchitecture, input modality or viewpoint, and can be inte-grated into existing solutions easily.
• Abstract（参考訳）: 自律システムにとって、動的交通アクターの状態をフューチャーに予測することは、安全かつ効率的に運用することが重要である。 驚くべきことに、最も重要なシナリオは、非クリティカルシナリオよりもあまり頻繁で複雑ではない。 そこで,本論文では,データセット分布のロングテールにおける難解なsce-nariosについて述べる。 以上より,共通損失は埋込み空間に準最適にchalleng-ing caseを配置する傾向を示した。 この結果から,従来の損失を補うために,難解な事例が互いに近づき合うような余暇を補うことを提案する。 このトリガーは、困難なケース間で情報を共有し、特定の予測機能を学ぶ。 4つのpub-licデータセットで、全体的なパフォーマンスが安定しながら、カオスシナリオのパフォーマンスが向上することを示した。 アプローチは agnostic w.r.t. である。 使用されるネットワークアーキテクチャ、入力モダリティまたは視点は、既存のソリューションに容易に分類できる。

関連論文リスト

• C$^{2}$INet: Realizing Incremental Trajectory Prediction with Prior-Aware Continual Causal Intervention [10.189508227447401]
  複雑なシナリオにおけるマルチエージェントの軌道予測は、自律運転のようなアプリケーションには不可欠である。 既存の手法は、しばしば環境バイアスを見落とし、一般化の低さにつながる。 一般化可能なマルチエージェント軌道予測のための連続因果干渉法(C$2$INet)を提案する。
  論文  参考訳（メタデータ） (2024-11-19T08:01:20Z)
• LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting [65.71129509623587]
  道路交通予測はスマートシティのイニシアチブにおいて重要な役割を担い、ディープラーニングの力によって大きな進歩を遂げている。 しかし、現在の公開データセットで達成される有望な結果は、現実的なシナリオには適用できないかもしれない。 カリフォルニアで合計8,600のセンサーと5年間の時間カバレッジを含む、LargeSTベンチマークデータセットを紹介します。
  論文  参考訳（メタデータ） (2023-06-14T05:48:36Z)
• ReasonNet: End-to-End Driving with Temporal and Global Reasoning [31.319673950804972]
  ReasonNetは、運転シーンの時間的情報と世界的情報の両方を広範囲に活用する、新しいエンドツーエンド駆動フレームワークである。 本手法は,異なるフレームにおける特徴間の相互作用や関係を効果的に処理できる。 シーンのグローバルな情報に関する推論は、全体の知覚性能を向上させることもできる。
  論文  参考訳（メタデータ） (2023-05-17T18:24:43Z)
• Self-SuperFlow: Self-supervised Scene Flow Prediction in Stereo Sequences [12.650574326251023]
  本稿では,シーンフロー予測のための自己監督型損失の拡張について検討する。 KITTIのシーンフローベンチマークでは,本手法は同一ネットワークの教師付き事前学習よりも優れていた。
  論文  参考訳（メタデータ） (2022-06-30T13:55:17Z)
• Towards Federated Long-Tailed Learning [76.50892783088702]
  データプライバシとクラス不均衡は、多くの機械学習タスクの例外ではなく、標準である。 最近の試みでは、広範にわたるプライベートデータから学習する問題に対処する一方で、長い尾を持つデータから学ぶことが試みられている。 本稿では,プライバシ保護フェデレーション学習(FL)フレームワークのコンテキスト下での長期的データ分散(LT)学習に焦点を当てた。
  論文  参考訳（メタデータ） (2022-06-30T02:34:22Z)
• Learning Self-Modulating Attention in Continuous Time Space with Applications to Sequential Recommendation [102.24108167002252]
  本稿では,複雑で非線形に進化する動的ユーザの嗜好をモデル化する,自己変調型注意ネットワークを提案する。 提案手法がトップNシーケンシャルなレコメンデーションタスクに与える影響を実証的に示すとともに,3つの大規模実世界のデータセットによる結果から,我々のモデルが最先端のパフォーマンスを達成できることを示す。
  論文  参考訳（メタデータ） (2022-03-30T03:54:11Z)
• Instance exploitation for learning temporary concepts from sparsely labeled drifting data streams [15.49323098362628]
  ストリーミングデータソースからの継続的な学習がますます人気を博している。 動的で絶え間ない問題に対処することは 新たな課題を引き起こします 最も重要な制限の1つは、有限で完全なデータセットにアクセスできないことである。
  論文  参考訳（メタデータ） (2020-09-20T08:11:43Z)
• Event Prediction in the Big Data Era: A Systematic Survey [7.3810864598379755]
  ビッグデータ時代において、イベント予測は実行可能な選択肢になりつつある。 本稿では,イベント予測の技術,応用,評価について,体系的かつ包括的な調査を行うことを目的とする。
  論文  参考訳（メタデータ） (2020-07-19T23:24:52Z)
• 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)
• Transformer Hawkes Process [79.16290557505211]
  本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。 THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。 本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
  論文  参考訳（メタデータ） (2020-02-21T13:48:13Z)

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。