Fugu-MT 論文翻訳(概要): Analysis of Driving Scenario Trajectories with Active Learning

論文の概要: Analysis of Driving Scenario Trajectories with Active Learning

arxiv url: http://arxiv.org/abs/2108.03217v1
Date: Fri, 6 Aug 2021 17:41:40 GMT
ステータス: 処理完了
システム内更新日: 2021-08-09 14:41:51.789530
Title: Analysis of Driving Scenario Trajectories with Active Learning
Title（参考訳）: アクティブラーニングによる運転シナリオ軌跡の分析
Authors: Sanna Jarl and Sadegh Rahrovani and Morteza Haghir Chehreghani
Abstract要約: 我々は,運転時間時系列データに注釈を付けるための能動的学習フレームワークを開発した。組込みデータに異なる分類モデルを用いた様々なアクティブラーニングパラダイムを適用する。クラス外トラジェクトリの識別にどのように使用できるかを示す。
参考スコア（独自算出の注目度）: 6.316693022958221
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Annotating the driving scenario trajectories based only on explicit rules (i.e., knowledge-based methods) can be subject to errors, such as false positive/negative classification of scenarios that lie on the border of two scenario classes, missing unknown scenario classes, and also anomalies. On the other side, verifying the labels by the annotators is not cost-efficient. For this purpose, active learning (AL) could potentially improve the annotation procedure by inclusion of an annotator/expert in an efficient way. In this study, we develop an active learning framework to annotate driving trajectory time-series data. At the first step, we compute an embedding of the time-series trajectories into a latent space in order to extract the temporal nature. For this purpose, we study three different latent space representations: multivariate Time Series t-Distributed Stochastic Neighbor Embedding (mTSNE), Recurrent Auto-Encoder (RAE) and Variational Recurrent Auto-Encoder (VRAE). We then apply different active learning paradigms with different classification models to the embedded data. In particular, we study the two classifiers Neural Network (NN) and Support Vector Machines (SVM), with three active learning query strategies (i.e., entropy, margin and random). In the following, we explore the possibilities of the framework to discover unknown classes and demonstrate how it can be used to identify the out-of-class trajectories.
Abstract（参考訳）: 明示的なルール(すなわち知識に基づく手法)に基づいて、駆動シナリオの軌跡を注釈付けすることは、2つのシナリオクラスの境界にあるシナリオの偽陽性/負の分類、未知のシナリオクラス、および異常といった誤りを負う可能性がある。一方、アノテーションによるラベルの検証はコスト効率が良くない。この目的のために、アクティブラーニング(al)は、アノテーション/エキスパートを効率的に含むことによって、アノテーション手順を改善する可能性がある。本研究では,運転軌跡時系列データをアノテートする能動的学習フレームワークを開発する。最初のステップでは、時系列の軌跡を潜時空間に埋め込み、時間的性質を抽出する。本研究では,多変量時間列t-Distributed Stochastic Neighbor Embedding (mTSNE), Recurrent Auto-Encoder (RAE), Variational Recurrent Auto-Encoder (VRAE)の3種類の遅延空間表現について検討する。次に、異なる分類モデルを持つ異なるアクティブラーニングパラダイムを組込みデータに適用する。特に,2つの分類器であるニューラルネットワーク(nn)とサポートベクターマシン(svm)について,3つのアクティブラーニングクエリ戦略(エントロピー,マージン,ランダム)について検討した。以下に、未知のクラスを発見するためのフレームワークの可能性について検討し、クラス外軌道の識別にどのように使用できるかを示す。

関連論文リスト

Trajectory Anomaly Detection with Language Models [21.401931052512595]
本稿では,自己回帰因果アテンションモデル(LM-TAD)を用いた軌道異常検出のための新しい手法を提案する。トラジェクトリをトークンの列として扱うことにより、トラジェクトリ上の確率分布を学習し、高精度な異常位置の同定を可能にする。本実験は, 合成および実世界の両方のデータセットに対するLM-TADの有効性を実証した。
論文参考訳（メタデータ） (2024-09-18T17:33:31Z)
Fast maneuver recovery from aerial observation: trajectory clustering and outliers rejection [43.06493292670652]
2種類のVulnerable Road Users (VRU) が提案される軌道クラスタリング手法によって検討される。 2つの環境がメソッド開発のテストとして機能し、3つの異なる交差点と1つのラウンドアバウトとなる。
論文参考訳（メタデータ） (2024-07-03T07:22:21Z)
Deciphering Movement: Unified Trajectory Generation Model for Multi-Agent [53.637837706712794]
任意の軌道をマスク入力として処理する統一軌道生成モデルUniTrajを提案する。具体的には,空間特徴抽出のためのトランスフォーマーエンコーダ内に埋め込まれたゴースト空間マスキング(GSM)モジュールを導入する。バスケットボール-U,サッカー-U,サッカー-Uの3つの実用的なスポーツゲームデータセットをベンチマークして評価を行った。
論文参考訳（メタデータ） (2024-05-27T22:15:23Z)
Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。実世界のデータセットの実験では、大幅な改善が示されている。
論文参考訳（メタデータ） (2023-09-21T15:00:31Z)
A Spatiotemporal Correspondence Approach to Unsupervised LiDAR Segmentation with Traffic Applications [16.260518238832887]
鍵となる考え方は、動的ポイントクラウドシーケンスの性質を活用し、非常に強力なシナリオを導入することである。我々は、グループへのセマンティクスの最適化と、ポイントワイトテンポラルラベルを用いたクラスタリングを交互に行う。本手法は,教師なし学習方式で識別的特徴を学習することができる。
論文参考訳（メタデータ） (2023-08-23T21:32:46Z)
Unsupervised 3D registration through optimization-guided cyclical self-training [71.75057371518093]
最先端のディープラーニングベースの登録方法は、3つの異なる学習戦略を採用している。本稿では,教師なし登録のための自己指導型学習パラダイムを提案する。腹部, 肺の登録方法の評価を行い, 測定基準に基づく監督を一貫して上回り, 最先端の競争相手よりも優れていた。
論文参考訳（メタデータ） (2023-06-29T14:54:10Z)
Multi-annotator Deep Learning: A Probabilistic Framework for Classification [2.445702550853822]
標準的なディープニューラルネットワークのトレーニングは、マルチアノテーションによる教師付き学習設定におけるサブパーパフォーマンスにつながる。マルチアノテーション深層学習(MaDL)という確率的学習フレームワークを提案することでこの問題に対処する。モジュラーネットワークアーキテクチャは、アノテータのパフォーマンスに関する様々な仮定を可能にする。以上の結果から,MADLの最先端性能と,関連性のあるスパムアノテータに対する堅牢性が確認された。
論文参考訳（メタデータ） (2023-04-05T16:00:42Z)
Unsupervised Driving Event Discovery Based on Vehicle CAN-data [62.997667081978825]
本研究は,車両CANデータのクラスタリングとセグメンテーションを同時に行うことで,一般的な運転イベントを教師なしで識別する手法である。我々は、実際のTesla Model 3車載CANデータと、異なる運転イベントをアノテートした2時間の運転セッションのデータセットを用いて、アプローチを評価した。
論文参考訳（メタデータ） (2023-01-12T13:10:47Z)
SSMTL++: Revisiting Self-Supervised Multi-Task Learning for Video Anomaly Detection [108.57862846523858]
自己教師型マルチタスク学習フレームワークを再考し、元の手法にいくつかのアップデートを提案する。マルチヘッド・セルフアテンション・モジュールを導入することで3次元畳み込みバックボーンを近代化する。モデルをさらに改良するために,セグメントマップの予測などの自己指導型学習タスクについて検討した。
論文参考訳（メタデータ） (2022-07-16T19:25:41Z)
Exploring Diversity-based Active Learning for 3D Object Detection in Autonomous Driving [45.405303803618]
多様性に基づくアクティブラーニング(AL)を,アノテーションの負担を軽減するための潜在的解決策として検討する。選択したサンプルの空間的・時間的多様性を強制する新しい取得関数を提案する。提案手法がnuScenesデータセットに与える影響を実証し,既存のAL戦略を著しく上回ることを示す。
論文参考訳（メタデータ） (2022-05-16T14:21:30Z)
SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
論文参考訳（メタデータ） (2020-07-26T08:17:10Z)

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。