論文の概要: Traffic Scenario Clustering by Iterative Optimisation of Self-Supervised
Networks Using a Random Forest Activation Pattern Similarity
- arxiv url: http://arxiv.org/abs/2105.07639v1
- Date: Mon, 17 May 2021 06:54:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-18 14:44:58.227207
- Title: Traffic Scenario Clustering by Iterative Optimisation of Self-Supervised
Networks Using a Random Forest Activation Pattern Similarity
- Title（参考訳）: ランダムフォレスト活性化パターン類似性を用いた自己監視ネットワークの反復最適化による交通シナリオクラスタリング
- Authors: Lakshman Balasubramanian, Jonas Wurst, Michael Botsch and Ke Deng
- Abstract要約: 本研究では,Random Forest Activation Pattern (RFAP) と呼ばれる,新たなデータ適応類似度測定に基づくクラスタリング手法を提案する。
RFAP類似性はランダムフォレストアルゴリズムのツリー符号化スキームを用いて生成される。
この研究で提案されるクラスタリング手法は,ラベル付きシナリオが利用可能であること,ラベル付きシナリオからの情報は,非ラベル付きシナリオのクラスタリングをガイドする上で有効である。
- 参考スコア（独自算出の注目度）: 0.9711326718689492
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traffic scenario categorisation is an essential component of automated
driving, for e.\,g., in motion planning algorithms and their validation.
Finding new relevant scenarios without handcrafted steps reduce the required
resources for the development of autonomous driving dramatically. In this work,
a method is proposed to address this challenge by introducing a clustering
technique based on a novel data-adaptive similarity measure, called Random
Forest Activation Pattern (RFAP) similarity. The RFAP similarity is generated
using a tree encoding scheme in a Random Forest algorithm. The clustering
method proposed in this work takes into account that there are labelled
scenarios available and the information from the labelled scenarios can help to
guide the clustering of unlabelled scenarios. It consists of three steps.
First, a self-supervised Convolutional Neural Network~(CNN) is trained on all
available traffic scenarios using a defined self-supervised objective. Second,
the CNN is fine-tuned for classification of the labelled scenarios. Third,
using the labelled and unlabelled scenarios an iterative optimisation procedure
is performed for clustering. In the third step at each epoch of the iterative
optimisation, the CNN is used as a feature generator for an unsupervised Random
Forest. The trained forest, in turn, provides the RFAP similarity to adapt
iteratively the feature generation process implemented by the CNN. Extensive
experiments and ablation studies have been done on the highD dataset. The
proposed method shows superior performance compared to baseline clustering
techniques.
- Abstract（参考訳）: 交通シナリオの分類は、例えば、動き計画アルゴリズムとその検証において、自動運転の重要な構成要素である。
手作りのステップなしで新しい関連するシナリオを見つけることは、自動運転開発に必要なリソースを劇的に削減する。
本研究では,ランダムフォレスト・アクティベーション・パターン(rfap)類似性と呼ばれる新しいデータ適応的類似性尺度に基づくクラスタリング手法を導入することで,この問題に対処する手法を提案する。
RFAP類似性はランダムフォレストアルゴリズムのツリー符号化方式を用いて生成される。
この研究で提案されるクラスタリング手法は,ラベル付きシナリオが利用可能であること,ラベル付きシナリオからの情報は,非ラベル付きシナリオのクラスタリングをガイドする上で有効である。
3つのステップからなる。
まず、自己教師型畳み込みニューラルネットワーク~(CNN)が、定義された自己教師型目標を用いて、利用可能なすべてのトラフィックシナリオをトレーニングする。
第二に、CNNはラベル付きシナリオの分類のために微調整されている。
第3に、ラベル付きおよびラベルなしのシナリオを使用して、クラスタリングのために反復最適化手順を実行する。
反復最適化の各エポックにおける第3ステップでは、CNNは教師なしランダムフォレストの機能ジェネレータとして使用される。
訓練された森林は、CNNによって実装された特徴生成プロセスを反復的に適応するためにRFAP類似性を提供する。
広汎な実験とアブレーション研究が高次元データセット上で行われている。
提案手法は,ベースラインクラスタリング手法よりも優れた性能を示す。
関連論文リスト
- OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。
OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。
最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
論文 参考訳（メタデータ） (2024-09-14T07:44:22Z) - Secure Hierarchical Federated Learning in Vehicular Networks Using Dynamic Client Selection and Anomaly Detection [10.177917426690701]
階層的フェデレートラーニング(HFL)は、車両ネットワークにおける敵または信頼できない車両の課題に直面している。
本研究では,動的車両選択とロバストな異常検出機構を統合した新しい枠組みを提案する。
提案アルゴリズムは,強烈な攻撃条件下においても顕著なレジリエンスを示す。
論文 参考訳（メタデータ） (2024-05-25T18:31:20Z) - Going beyond research datasets: Novel intent discovery in the industry
setting [60.90117614762879]
本稿では,大規模なeコマースプラットフォームに展開する意図発見パイプラインを改善する手法を提案する。
ドメイン内データに基づく事前学習型言語モデルの利点を示す。
また,クラスタリングタスクの微調整中に,実生活データセットの会話構造(質問と回答)を利用するための最善の方法も考案した。
論文 参考訳（メタデータ） (2023-05-09T14:21:29Z) - PointInst3D: Segmenting 3D Instances by Points [136.7261709896713]
本稿では,ポイント単位の予測方式で機能する,完全畳み込み型3Dポイントクラウドインスタンスセグメンテーション手法を提案する。
その成功の鍵は、各サンプルポイントに適切なターゲットを割り当てることにある。
提案手法はScanNetとS3DISのベンチマークで有望な結果が得られる。
論文 参考訳（メタデータ） (2022-04-25T02:41:46Z) - Sim-to-Real Domain Adaptation for Lane Detection and Classification in
Autonomous Driving [0.0]
教師なしのドメイン適応(UDA)アプローチは低コストで時間を要すると考えられている。
自動走行における車線検出と分類のための逆判別および生成手法を用いたUDAスキームを提案する。
論文 参考訳（メタデータ） (2022-02-15T02:10:14Z) - Towards Uncovering the Intrinsic Data Structures for Unsupervised Domain
Adaptation using Structurally Regularized Deep Clustering [119.88565565454378]
Unsupervised Domain Adapt (UDA) は、ターゲットドメイン上のラベルなしデータの予測を行う分類モデルを学ぶことである。
本稿では,対象データの正規化判別クラスタリングと生成クラスタリングを統合する構造的正規化深層クラスタリングのハイブリッドモデルを提案する。
提案するH-SRDCは, インダクティブ設定とトランスダクティブ設定の両方において, 既存の手法よりも優れている。
論文 参考訳（メタデータ） (2020-12-08T08:52:00Z) - Pre-Trained Models for Heterogeneous Information Networks [57.78194356302626]
異種情報ネットワークの特徴を捉えるための自己教師付き事前学習・微調整フレームワークPF-HINを提案する。
PF-HINは4つのデータセットにおいて、各タスクにおける最先端の代替よりも一貫して、大幅に優れています。
論文 参考訳（メタデータ） (2020-07-07T03:36:28Z) - FedPD: A Federated Learning Framework with Optimal Rates and Adaptivity
to Non-IID Data [59.50904660420082]
フェデレートラーニング(FL)は、分散データから学ぶための一般的なパラダイムになっています。
クラウドに移行することなく、さまざまなデバイスのデータを効果的に活用するために、Federated Averaging(FedAvg)などのアルゴリズムでは、"Computation then aggregate"(CTA)モデルを採用している。
論文 参考訳（メタデータ） (2020-05-22T23:07:42Z) - Unsupervised and Supervised Learning with the Random Forest Algorithm
for Traffic Scenario Clustering and Classification [4.169845583045265]
本研究の目的は,交通シナリオのカテゴリを自動的に見つけ出す手法を提供することである。
アーキテクチャは3つの主要コンポーネントで構成されている: 顕微鏡的トラフィックシミュレーション、クラスタリング技術、および運用フェーズの分類技術である。
論文 参考訳（メタデータ） (2020-04-05T08:26:29Z) - An Unsupervised Random Forest Clustering Technique for Automatic Traffic
Scenario Categorization [0.0]
本稿では,交通状況の分類のためのランダムフォレストアルゴリズムの修正について述べる。
このアルゴリズムは、類似度尺度を含む近接行列を生成する。
その後、階層的なクラスタリングで並べ替えて、グラフィカルに解釈可能な表現を実現する。
論文 参考訳（メタデータ） (2020-04-05T07:55:54Z) - Learning to Collide: An Adaptive Safety-Critical Scenarios Generating
Method [20.280573307366627]
本稿では,タスクアルゴリズム評価のための安全クリティカルなシナリオを作成するための生成フレームワークを提案する。
提案手法は,グリッド探索や人的設計手法よりも安全クリティカルなシナリオを効率的に生成できることを実証する。
論文 参考訳（メタデータ） (2020-03-02T21:26:03Z)
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。