論文の概要: PLAN-B: Predicting Likely Alternative Next Best Sequences for Action Prediction

• arxiv url: http://arxiv.org/abs/2103.15987v1
• Date: Mon, 29 Mar 2021 23:16:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-31 14:46:46.828315
• Title: PLAN-B: Predicting Likely Alternative Next Best Sequences for Action Prediction
• Title（参考訳）: PLAN-B:アクション予測のための新たなベストシーケンスを予測
• Authors: Dan Scarafoni, Irfan Essa, and Thomas Ploetz
• Abstract要約: 我々は、上位の予測だけでなく、精度@kメトリックの上位の代替品を予測する能力の観点から、アクション予測を再検討する。 提案手法は,行動予測のための新しい手法であるPLAN-Bで,最も可能性の高い代替候補の集合を自動的に見つけ出す。 我々のシステムはベンチマークデータセットで最先端の結果より優れていることを実証する。
• 参考スコア（独自算出の注目度）: 4.671890135032435
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Action prediction focuses on anticipating actions before they happen. Recent works leverage probabilistic approaches to describe future uncertainties and sample future actions. However, these methods cannot easily find all alternative predictions, which are essential given the inherent unpredictability of the future, and current evaluation protocols do not measure a system's ability to find such alternatives. We re-examine action prediction in terms of its ability to predict not only the top predictions, but also top alternatives with the accuracy@k metric. In addition, we propose Choice F1: a metric inspired by F1 score which evaluates a prediction system's ability to find all plausible futures while keeping only the most probable ones. To evaluate this problem, we present a novel method, Predicting the Likely Alternative Next Best, or PLAN-B, for action prediction which automatically finds the set of most likely alternative futures. PLAN-B consists of two novel components: (i) a Choice Table which ensures that all possible futures are found, and (ii) a "Collaborative" RNN system which combines both action sequence and feature information. We demonstrate that our system outperforms state-of-the-art results on benchmark datasets.
• Abstract（参考訳）: 行動予測は、発生前に行動を予測することに焦点を当てる。 最近の研究は、将来の不確実性と将来の行動のサンプルを記述するための確率論的アプローチを活用している。 しかし、将来の予測不可能性を考えると、これらの手法は全ての代替予測を容易に見つけることができず、現在の評価プロトコルはそのような代替予測を見つけるシステムの能力を測定することができない。 我々は、上位の予測だけでなく、精度@kメトリックの上位の代替品を予測する能力の観点から、アクション予測を再検討する。 さらに,予測システムの予測能力を評価するf1スコアにインスパイアされた指標である選択f1を提案する。 この問題を評価するために,提案手法であるplan-bを用いて,最も可能性の高い選択肢のセットを自動的に発見するアクション予測手法を提案する。 PLAN-Bは2つの新しいコンポーネントから構成される: (i) 全ての可能な未来が見つかることを保証するChoice Table、(ii)アクションシーケンスと特徴情報を組み合わせた「協調的」RNNシステム。 我々のシステムはベンチマークデータセットで最先端の結果より優れていることを示す。

関連論文リスト

• Finding Islands of Predictability in Action Forecasting [7.215559809521136]
  将来のアクションシーケンスは1つの抽象化レベルではなく、変数でより正確にモデル化されていることを示す。 本稿では,ベイズニューラルネットワークと階層的畳み込みセグメンテーションモデルを組み合わせて,将来の行動を正確に予測し,抽象化レベルを最適に選択する手法を提案する。
  論文  参考訳（メタデータ） (2022-10-13T21:01:16Z)
• Predictive Inference with Feature Conformal Prediction [80.77443423828315]
  本稿では,特徴空間への共形予測の範囲を拡大する特徴共形予測を提案する。 理論的観点からは、特徴共形予測は軽度の仮定の下で正則共形予測よりも確実に優れていることを示す。 提案手法は,バニラ共形予測だけでなく,他の適応共形予測手法と組み合わせることができる。
  論文  参考訳（メタデータ） (2022-10-01T02:57:37Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• Neural Predictive Monitoring under Partial Observability [4.1316328854247155]
  本稿では,部分観測可能性(PO)に拘わらず,正確かつ信頼性の高い到達可能性予測を生成する学習ベース予測手法を提案する。 提案手法は,精度の高い到達可能性予測とエラー検出を行い,また,カバー範囲が保証された厳密な予測領域を実現する。
  論文  参考訳（メタデータ） (2021-08-16T15:08:20Z)
• Probabilistic Gradient Boosting Machines for Large-Scale Probabilistic Regression [51.770998056563094]
  PGBM(Probabilistic Gradient Boosting Machines)は、確率的予測を生成する手法である。 既存の最先端手法と比較してPGBMの利点を実証的に示す。
  論文  参考訳（メタデータ） (2021-06-03T08:32:13Z)
• Adversarial Generative Grammars for Human Activity Prediction [141.43526239537502]
  将来予測のための逆生成文法モデルを提案する。 私たちの文法は、データ分散から生産ルールを学習できるように設計されています。 推論中に複数の生産ルールを選択することができると、予測される結果が異なる。
  論文  参考訳（メタデータ） (2020-08-11T17:47:53Z)
• 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)
• 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)
• TTPP: Temporal Transformer with Progressive Prediction for Efficient Action Anticipation [46.28067541184604]
  ビデオアクション予測は、観察されたフレームから将来のアクションカテゴリを予測することを目的としている。 現在の最先端のアプローチは主に、履歴情報を隠された状態にエンコードするために、リカレントニューラルネットワークを利用する。 本稿では,プログレッシブ予測フレームワークを用いた簡易かつ効率的な時間変換器を提案する。
  論文  参考訳（メタデータ） (2020-03-07T07:59:42Z)

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。