Fugu-MT 論文翻訳(概要): Convolutions for Spatial Interaction Modeling

論文の概要: Convolutions for Spatial Interaction Modeling

arxiv url: http://arxiv.org/abs/2104.07182v1
Date: Thu, 15 Apr 2021 00:41:30 GMT
ステータス: 処理完了
システム内更新日: 2021-04-17 06:23:21.763816
Title: Convolutions for Spatial Interaction Modeling
Title（参考訳）: 空間相互作用モデリングのための畳み込み
Authors: Zhaoen Su, Chao Wang, David Bradley, Carlos Vallespi-Gonzalez, Carl Wellington, Nemanja Djuric
Abstract要約: 自律走行車周辺におけるアクターの移動予測における空間相互作用モデリングの問題点について考察する。我々は畳み込みを再検討し,低レイテンシで空間相互作用をモデル化する上で,グラフネットワークと同等のパフォーマンスを実証できることを示した。
参考スコア（独自算出の注目度）: 9.408751013132624
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: In many different fields interactions between objects play a critical role in determining their behavior. Graph neural networks (GNNs) have emerged as a powerful tool for modeling interactions, although often at the cost of adding considerable complexity and latency. In this paper, we consider the problem of spatial interaction modeling in the context of predicting the motion of actors around autonomous vehicles, and investigate alternative approaches to GNNs. We revisit convolutions and show that they can demonstrate comparable performance to graph networks in modeling spatial interactions with lower latency, thus providing an effective and efficient alternative in time-critical systems. Moreover, we propose a novel interaction loss to further improve the interaction modeling of the considered methods.
Abstract（参考訳）: 多くの異なる分野において、オブジェクト間の相互作用は、その振る舞いを決定する上で重要な役割を果たす。グラフニューラルネットワーク(GNN)は、インタラクションをモデリングするための強力なツールとして登場した。本稿では,自律走行車周りのアクターの動きを予測する文脈における空間相互作用モデリングの問題点を考察し,GNNの代替手法について検討する。我々は畳み込みを再考し、低レイテンシと空間的相互作用をモデル化する際にグラフネットワークに匹敵する性能を示し、時間クリティカルシステムにおいて効果的かつ効率的な代替手段を提供する。さらに,提案手法の相互作用モデリングをさらに改善するために,新たな相互作用損失を提案する。

関連論文リスト

Disentangled Neural Relational Inference for Interpretable Motion Prediction [38.40799770648501]
グラフベース表現と時系列モデルを統合した変分自動エンコーダフレームワークを開発した。本モデルでは,対話を特徴付ける解釈可能なエッジ特徴を付加した動的相互作用グラフを推論する。シミュレーションと実世界の両方のデータセットに関する広範な実験を通じて、我々のアプローチを検証する。
論文参考訳（メタデータ） (2024-01-07T22:49:24Z)
Interactive Autonomous Navigation with Internal State Inference and Interactivity Estimation [58.21683603243387]
本稿では,関係時間的推論を伴う3つの補助的タスクを提案し,それらを標準のディープラーニングフレームワークに統合する。これらの補助的なタスクは、他の対話的エージェントの行動パターンを推測するための追加の監視信号を提供する。提案手法は,標準評価指標の観点から,頑健かつ最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2023-11-27T18:57:42Z)
Inferring Relational Potentials in Interacting Systems [56.498417950856904]
このような相互作用を発見する代替手法として、ニューラル・インタラクション・推論(NIIP)を提案する。 NIIPは観測された関係制約を尊重する軌道のサブセットに低エネルギーを割り当てる。別々に訓練されたモデル間での相互作用の型を交換するなどの軌道操作や、軌道予測を可能にする。
論文参考訳（メタデータ） (2023-10-23T00:44:17Z)
Neural Relational Inference with Fast Modular Meta-learning [25.313516707169498]
グラフニューラルネットワーク(GNN)は、実体と関係からなる多くの力学系に対して有効なモデルである。リレーショナル推論は、これらの相互作用を推測し、観測データからダイナミクスを学習する問題である。関係推論は、多くの課題を解決するために、ニューラルネットワークモジュールをさまざまな方法で構成するように訓練する、テクティモジュラーなメタラーニング問題である。
論文参考訳（メタデータ） (2023-10-10T21:05:13Z)
Persistent-Transient Duality: A Multi-mechanism Approach for Modeling Human-Object Interaction [58.67761673662716]
人間は高度に適応可能で、異なるタスク、状況、状況を扱うために異なるモードを素早く切り替える。人間と物体の相互作用(HOI)において、これらのモードは、(1)活動全体に対する大規模な一貫した計画、(2)タイムラインに沿って開始・終了する小規模の子どもの対話的行動の2つのメカニズムに起因していると考えられる。本研究は、人間の動作を協調的に制御する2つの同時メカニズムをモデル化することを提案する。
論文参考訳（メタデータ） (2023-07-24T12:21:33Z)
Dynamic Scenario Representation Learning for Motion Forecasting with Heterogeneous Graph Convolutional Recurrent Networks [25.383615554172778]
進化するシナリオをモデル化するために、動的異種グラフを利用する。異種グラフリカレントネットワークを設計し、多様な相互作用情報を集約する。動作予測デコーダを用いて,エージェントの現実的かつ多モーダルな将来の軌跡を予測する。
論文参考訳（メタデータ） (2023-03-08T04:10:04Z)
Temporal Relevance Analysis for Video Action Models [70.39411261685963]
まず,CNNに基づく行動モデルにより捉えたフレーム間の時間的関係を定量化する手法を提案する。次に、時間的モデリングがどのように影響を受けるかをよりよく理解するために、包括的な実験と詳細な分析を行います。
論文参考訳（メタデータ） (2022-04-25T19:06:48Z)
VIRT: Improving Representation-based Models for Text Matching through Virtual Interaction [50.986371459817256]
本稿では,VIRT と呼ばれる新しいtextitVirtual InteRacTion 機構を提案する。 VIRTは、表現ベースのエンコーダに、対話ベースのモデルのように振舞いを模倣する仮想インタラクションを実行するよう要求する。
論文参考訳（メタデータ） (2021-12-08T09:49:28Z)
Multi-agent Trajectory Prediction with Fuzzy Query Attention [15.12743751614964]
複数のエージェントを持つシーンの軌道予測は、交通予測、歩行者追跡、経路計画といった多くの領域において難しい問題である。この課題に対処する一般的なアーキテクチャとして、運動の重要な帰納バイアス、すなわち慣性、相対運動、意図、相互作用をモデル化する。
論文参考訳（メタデータ） (2020-10-29T19:12:12Z)
EvolveGraph: Multi-Agent Trajectory Prediction with Dynamic Relational Reasoning [41.42230144157259]
本稿では,関係構造を明示的に認識し,潜在相互作用グラフによる予測を行う汎用軌道予測フレームワークを提案する。将来の行動の不確実性を考慮すると、モデルはマルチモーダルな予測仮説を提供するように設計されている。トレーニング効率を向上し、収束を加速するだけでなく、モデル性能も向上する2段トレーニングパイプラインを導入する。
論文参考訳（メタデータ） (2020-03-31T02:49:23Z)
Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
論文参考訳（メタデータ） (2020-01-09T10:21:04Z)

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。