論文の概要: MissFormer: (In-)attention-based handling of missing observations for
trajectory filtering and prediction
- arxiv url: http://arxiv.org/abs/2106.16009v2
- Date: Thu, 1 Jul 2021 09:09:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-02 14:05:09.760644
- Title: MissFormer: (In-)attention-based handling of missing observations for
trajectory filtering and prediction
- Title(参考訳): missformer: (in-)attention-based handling of missing observations for track filter and prediction
- Authors: Stefan Becker and Ronny Hug and Wolfgang H\"ubner and Michael Arens
and Brendan T. Morris
- Abstract要約: 本稿では,変圧器を用いた可変長軌跡データにおける欠測の処理手法を提案する。
欠落したトークン、バイナリエンコードされた欠落したイベントを提供することで、モデルは欠落したデータに at-attend することを学び、残りの入力に条件付けられた完全な軌跡を推測する。
- 参考スコア(独自算出の注目度): 11.241614693184323
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In applications such as object tracking, time-series data inevitably carry
missing observations. Following the success of deep learning-based models for
various sequence learning tasks, these models increasingly replace classic
approaches in object tracking applications for inferring the objects' motion
states. While traditional tracking approaches can deal with missing
observations, most of their deep counterparts are, by default, not suited for
this.
Towards this end, this paper introduces a transformer-based approach for
handling missing observations in variable input length trajectory data. The
model is formed indirectly by successively increasing the complexity of the
demanded inference tasks. Starting from reproducing noise-free trajectories,
the model then learns to infer trajectories from noisy inputs. By providing
missing tokens, binary-encoded missing events, the model learns to in-attend to
missing data and infers a complete trajectory conditioned on the remaining
inputs. In the case of a sequence of successive missing events, the model then
acts as a pure prediction model. The abilities of the approach are demonstrated
on synthetic data and real-world data reflecting prototypical object tracking
scenarios.
- Abstract(参考訳): オブジェクト追跡のようなアプリケーションでは、時系列データは必然的に観測を欠く。
様々なシーケンス学習タスクのためのディープラーニングベースのモデルの成功に続いて、これらのモデルは、オブジェクトの動き状態を推測するためのオブジェクト追跡アプリケーションにおける古典的なアプローチを置き換えるようになっている。
従来の追跡手法では観察の欠如に対処できるが、そのディープなアプローチのほとんどはデフォルトでは、これには適していない。
そこで本稿では,可変入力長軌跡データにおける欠測観測を処理するトランスベース手法を提案する。
モデルは、要求された推論タスクの複雑さを順次増加させることで間接的に形成される。
ノイズのない軌跡の再生から始めて、モデルはノイズのある入力から軌跡を推測する。
欠落トークンとバイナリエンコードされた欠落イベントを提供することで、モデルは欠落したデータへのアタッチを学び、残りの入力で条件付けられた完全な軌道を推測する。
連続した欠落イベントのシーケンスの場合、モデルは純粋な予測モデルとして振る舞う。
このアプローチの能力は、プロトタイプのオブジェクト追跡シナリオを反映した合成データと実世界のデータで実証されている。
関連論文リスト
- Weak Reward Model Transforms Generative Models into Robust Causal Event Extraction Systems [17.10762463903638]
我々は人的評価を近似するために評価モデルを訓練し、高い合意を得る。
そこで本研究では,アノテートデータの一部を用いて評価モデルを訓練する弱強監督手法を提案する。
論文 参考訳(メタデータ) (2024-06-26T10:48:14Z) - Learning Defect Prediction from Unrealistic Data [57.53586547895278]
事前訓練されたコードのモデルは、コード理解と生成タスクに人気がある。
このようなモデルは大きい傾向があり、訓練データの総量を必要とする。
人工的に注入されたバグのある関数など、はるかに大きくてもより現実的なデータセットを持つモデルをトレーニングすることが一般的になった。
このようなデータで訓練されたモデルは、実際のプログラムでは性能が劣りながら、同様のデータでのみうまく機能する傾向にある。
論文 参考訳(メタデータ) (2023-11-02T01:51:43Z) - Layout Sequence Prediction From Noisy Mobile Modality [53.49649231056857]
軌道予測は、自律運転やロボット工学などの応用における歩行者運動を理解する上で重要な役割を担っている。
現在の軌道予測モデルは、視覚的モダリティからの長い、完全な、正確に観察されたシーケンスに依存する。
本稿では,物体の障害物や視界外を,完全に視認できる軌跡を持つものと同等に扱う新しいアプローチであるLTrajDiffを提案する。
論文 参考訳(メタデータ) (2023-10-09T20:32:49Z) - Score-based Data Assimilation [7.215767098253208]
軌道推定のためのスコアベースのデータ同化を導入する。
我々は、任意の長さの軌道のスコアを、短いセグメントにまたがって一連のスコアに分解できるというキーインサイトに基づいて、状態軌道のスコアに基づく生成モデルを学ぶ。
論文 参考訳(メタデータ) (2023-06-18T14:22:03Z) - Uncovering the Missing Pattern: Unified Framework Towards Trajectory
Imputation and Prediction [60.60223171143206]
軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。
現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。
本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-28T14:27:27Z) - Particle-Based Score Estimation for State Space Model Learning in
Autonomous Driving [62.053071723903834]
マルチオブジェクト状態推定はロボットアプリケーションの基本的な問題である。
粒子法を用いて最大形パラメータを学習することを検討する。
自動運転車から収集した実データに本手法を適用した。
論文 参考訳(メタデータ) (2022-12-14T01:21:05Z) - 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) - Imputation-Free Learning from Incomplete Observations [73.15386629370111]
本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。
バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。
我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
論文 参考訳(メタデータ) (2021-07-05T12:44:39Z) - Learning data association without data association: An EM approach to
neural assignment prediction [12.970250708769708]
本稿では,データアソシエーションのためのニューラルモデルをトレーニングするための予測最大化手法を提案する。
オブジェクト認識のモデルをトレーニングするためにラベル情報を必要としない。
重要なことに、提案手法を用いてトレーニングされたネットワークは、下流追跡アプリケーションで再利用することができる。
論文 参考訳(メタデータ) (2021-05-02T01:11:09Z) - Handling Missing Observations with an RNN-based Prediction-Update Cycle [10.478312054103975]
追跡などのタスクでは、時系列データは必然的に観察を欠いている。
本稿では,動作状態推定のための全時間フィルタリングサイクルを提供するRNNベースのアプローチを提案する。
論文 参考訳(メタデータ) (2021-03-22T11:55:10Z)
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。