論文の概要: Soft Attention: Does it Actually Help to Learn Social Interactions in Pedestrian Trajectory Prediction?

• arxiv url: http://arxiv.org/abs/2106.15321v1
• Date: Wed, 16 Jun 2021 17:39:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-04 19:43:15.026557
• Title: Soft Attention: Does it Actually Help to Learn Social Interactions in Pedestrian Trajectory Prediction?
• Title（参考訳）: ソフトアテンション:歩行者軌道予測における社会的相互作用の学習に役立つか?
• Authors: Laurent Boucaud, Daniel Aloise and Nicolas Saunier
• Abstract要約: 本研究では,歩行者の移動履歴と周辺歩行者の移動履歴を用いて,歩行者の将来経路を予測することの課題について考察する。 ディープラーニングは、歩行者の動きに対する社会的相互作用の影響をモデル化するための主要なツールとなっている。
• 参考スコア（独自算出の注目度）: 2.180763067449862
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We consider the problem of predicting the future path of a pedestrian using its motion history and the motion history of the surrounding pedestrians, called social information. Since the seminal paper on Social-LSTM, deep-learning has become the main tool used to model the impact of social interactions on a pedestrian's motion. The demonstration that these models can learn social interactions relies on an ablative study of these models. The models are compared with and without their social interactions module on two standard metrics, the Average Displacement Error and Final Displacement Error. Yet, these complex models were recently outperformed by a simple constant-velocity approach. This questions if they actually allow to model social interactions as well as the validity of the proof. In this paper, we focus on the deep-learning models with a soft-attention mechanism for social interaction modeling and study whether they use social information at prediction time. We conduct two experiments across four state-of-the-art approaches on the ETH and UCY datasets, which were also used in previous work. First, the models are trained by replacing the social information with random noise and compared to model trained with actual social information. Second, we use a gating mechanism along with a $L_0$ penalty, allowing models to shut down their inner components. The models consistently learn to prune their soft-attention mechanism. For both experiments, neither the course of the convergence nor the prediction performance were altered. This demonstrates that the soft-attention mechanism and therefore the social information are ignored by the models.
• Abstract（参考訳）: 本研究では, 歩行者の移動履歴と周辺歩行者の移動履歴をソーシャル情報と呼ぶことによって, 歩行者の進路を予測する問題を考える。 The seminal paper on Social-LSTM, deep-learning has to model the impact of social interaction on a pedestrian's motion。 これらのモデルが社会的相互作用を学習できるという実証は、これらのモデルのアブレーション研究に依存している。 2つの標準指標(平均変位誤差と最終変位誤差)でソーシャルインタラクションモジュールの有無を比較した。 しかし、これらの複雑なモデルは、単純な定数速度アプローチによって最近改善されている。 これは、証明の妥当性と同様に、実際に社会的相互作用をモデル化できるかどうかを問うものである。 本稿では,ソーシャルインタラクションモデリングのためのソフトアテンション機構を備えたディープラーニングモデルに注目し,予測時にソーシャル情報を使用するかどうかを検討する。 ETHデータセットとUCYデータセットの4つの最先端アプローチに関する2つの実験を行った。 まず、社会情報をランダムなノイズに置き換え、実際の社会情報で訓練されたモデルと比較することで、モデルを訓練する。 次に、gatingメカニズムと$l_0$ペナルティを使用し、モデルが内部コンポーネントをシャットダウンできるようにします。 モデルは一貫してソフトアテンション機構を磨くことを学んでいる。 どちらの実験でも、収束の過程も予測性能も変更されなかった。 これは,ソフトアテンション機構と社会的情報がモデルによって無視されることを示す。

関連論文リスト

• The Devil is in the Neurons: Interpreting and Mitigating Social Biases in Pre-trained Language Models [78.69526166193236]
  プレトレーニング言語モデル(PLM)は、社会的バイアスのような有害な情報を含むことが認識されている。 我々は,社会バイアスなどの望ましくない行動に起因する言語モデルにおいて,正確に単位(すなわちニューロン)を特定するために,sc Social Bias Neuronsを提案する。 StereoSetの以前の測定値からわかるように、我々のモデルは、低コストで言語モデリング能力を維持しながら、より高い公平性を達成する。
  論文  参考訳（メタデータ） (2024-06-14T15:41:06Z)
• Social Media Use is Predictable from App Sequences: Using LSTM and Transformer Neural Networks to Model Habitual Behavior [0.11086185608421924]
  本稿では,スマートフォン利用者の逐次行動の予測モデルを用いて,ソーシャルメディアの習慣を研究する新しいアプローチを提案する。 i) ソーシャルメディアの利用は内外レベルで予測可能であり, (ii) ソーシャルメディア利用の予測可能性に強い個人差があることが示される。
  論文  参考訳（メタデータ） (2024-04-20T16:36:28Z)
• Understanding the Effect of Model Compression on Social Bias in Large Language Models [12.289003145872481]
  大規模言語モデル(LLM)は、そのテキストの社会的バイアスに適合する膨大なウェブテキストのコーパスを自己監督で訓練する。 本研究では, LLMの社会的バイアス測定における定量化と知識蒸留によるモデル圧縮の影響について検討する。
  論文  参考訳（メタデータ） (2023-12-09T20:04:20Z)
• SSAGCN: Social Soft Attention Graph Convolution Network for Pedestrian Trajectory Prediction [59.064925464991056]
  ソーシャルソフトアテンショングラフ畳み込みネットワーク(SSAGCN)という新しい予測モデルを提案する。 SSAGCNは、歩行者間の社会的相互作用と歩行者と環境間のシーンインタラクションを同時に扱うことを目的としている。 公開データセットの実験は、SAGCNの有効性を証明し、最先端の結果を得た。
  論文  参考訳（メタデータ） (2021-12-05T01:49:18Z)
• You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory Prediction [52.442129609979794]
  軌道予測のための最近の深層学習手法は有望な性能を示す。 そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。 本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-11T14:24:15Z)
• Are socially-aware trajectory prediction models really socially-aware? [75.36961426916639]
  我々は,予測モデルの社会的理解を評価するために,社会的に意図された攻撃を導入する。 攻撃は、予測器を失敗させるため、小さなが慎重に構成された摂動である。 我々の攻撃は、最先端モデルの社会的理解を高めるために有効であることを示す。
  論文  参考訳（メタデータ） (2021-08-24T17:59:09Z)
• SRA-LSTM: Social Relationship Attention LSTM for Human Trajectory Prediction [3.1703939581903864]
  歩行者間の社会的関係は歩行者歩行パターンに影響を及ぼす重要な要因である。 ソーシャル・リレーション・アテンション・LSTM(SRA-LSTM)モデルによる将来の軌道予測
  論文  参考訳（メタデータ） (2021-03-31T12:56:39Z)
• PHASE: PHysically-grounded Abstract Social Events for Machine Social Perception [50.551003004553806]
  私たちは、物理的に根拠のある抽象的なソーシャルイベント、フェーズのデータセットを作成します。 フェーズは人間の実験によって検証され、人間は社会出来事において豊かな相互作用を知覚する。 ベースラインモデルとして,最新のフィードフォワードニューラルネットワークよりも優れたベイズ逆計画手法SIMPLEを導入する。
  論文  参考訳（メタデータ） (2021-03-02T18:44:57Z)
• Human Trajectory Forecasting in Crowds: A Deep Learning Perspective [89.4600982169]
  本稿では,既存の深層学習に基づくソーシャルインタラクションのモデル化手法について詳細に分析する。 本稿では、これらの社会的相互作用を効果的に捉えるための知識に基づく2つのデータ駆動手法を提案する。 我々は,人間の軌道予測分野において,重要かつ欠落したコンポーネントであるTrajNet++を大規模に開発する。
  論文  参考訳（メタデータ） (2020-07-07T17:19:56Z)
• Social-STGCNN: A Social Spatio-Temporal Graph Convolutional Neural Network for Human Trajectory Prediction [26.28051910420762]
  Social Spatio-Temporal Graph Convolutional Neural Network (Social-STGCNN)は、歩行者のインタラクションをグラフとしてモデル化する。 その結果,FDE(Final Displacement Error)では20%向上し,ADE(Average Displacement Error)では最大48倍高速な推論速度が得られた。 本稿では,歩行者間の社会的相互作用を隣接行列内に埋め込むカーネル関数を提案する。
  論文  参考訳（メタデータ） (2020-02-27T05:40:23Z)

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。