論文の概要: MG-GAN: A Multi-Generator Model Preventing Out-of-Distribution Samples
in Pedestrian Trajectory Prediction
- arxiv url: http://arxiv.org/abs/2108.09274v1
- Date: Fri, 20 Aug 2021 17:10:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-23 14:24:40.065666
- Title: MG-GAN: A Multi-Generator Model Preventing Out-of-Distribution Samples
in Pedestrian Trajectory Prediction
- Title（参考訳）: MG-GAN:歩行者軌道予測における分布外サンプル防止のための多世代モデル
- Authors: Patrick Dendorfer, Sven Elflein, Laura Leal-Taixe
- Abstract要約: 歩行者軌道予測のためのマルチジェネレータモデルを提案する。
各ジェネレータは、シーン内の主要なモードの1つにルーティングする軌跡上の分布を学習する。
第2のネットワークは、これらのジェネレータ上のカテゴリ分布を動的およびシーン入力に基づいて学習する。
このアーキテクチャにより、特殊なジェネレータから効果的にサンプルを採取し、単一ジェネレータ法と比較して配布外サンプルを著しく削減できる。
- 参考スコア（独自算出の注目度）: 0.6445605125467573
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Pedestrian trajectory prediction is challenging due to its uncertain and
multimodal nature. While generative adversarial networks can learn a
distribution over future trajectories, they tend to predict out-of-distribution
samples when the distribution of future trajectories is a mixture of multiple,
possibly disconnected modes. To address this issue, we propose a
multi-generator model for pedestrian trajectory prediction. Each generator
specializes in learning a distribution over trajectories routing towards one of
the primary modes in the scene, while a second network learns a categorical
distribution over these generators, conditioned on the dynamics and scene
input. This architecture allows us to effectively sample from specialized
generators and to significantly reduce the out-of-distribution samples compared
to single generator methods.
- Abstract（参考訳）: 歩行者の軌道予測は不確実かつ多様性のため困難である。
生成的敵ネットワークは将来の軌道上の分布を学習できるが、将来の軌道の分布が複数の、おそらくは切断されたモードの混合である場合、分布外サンプルを予測する傾向がある。
そこで本研究では,歩行者追跡予測のためのマルチジェネレータモデルを提案する。
各ジェネレータは、シーンの1つの主要なモードにルーティングする軌跡上の分布を学習するのを専門とし、第2のネットワークはこれらのジェネレータ上のカテゴリ分布を動的およびシーン入力に基づいて学習する。
このアーキテクチャにより、特殊なジェネレータから効果的にサンプルをサンプリングでき、単一ジェネレータメソッドと比較して分散サンプルを大幅に削減できます。
関連論文リスト
- MGF: Mixed Gaussian Flow for Diverse Trajectory Prediction [72.70572835589158]
本稿では,軌道予測のための正規化フローモデルに対して,混合ガウス前駆体を構築することを提案する。
提案手法は,一般的な UCY/ETH および SDD データセットにおける軌道アライメントと多様性の評価において,最先端の性能を実現する。
論文 参考訳（メタデータ） (2024-02-19T15:48:55Z) - GDTS: Goal-Guided Diffusion Model with Tree Sampling for Multi-Modal Pedestrian Trajectory Prediction [15.731398013255179]
マルチモーダル軌道予測のための木サンプリングを用いたゴールガイド拡散モデルを提案する。
2段階のツリーサンプリングアルゴリズムが提案され、一般的な特徴を活用して推論時間を短縮し、マルチモーダル予測の精度を向上させる。
実験により,提案フレームワークは,公開データセットにおけるリアルタイム推論速度と同等の最先端性能を達成できることが実証された。
論文 参考訳（メタデータ） (2023-11-25T03:55:06Z) - Flexible Multi-Generator Model with Fused Spatiotemporal Graph for
Trajectory Prediction [2.1638817206926855]
軌道予測は、自動車レーダーシステムにおいて重要な役割を果たす。
将来の軌道上の分布を学習する能力を持つ生成的敵ネットワークは、分布外サンプルを予測する傾向がある。
本稿では,歩行者軌跡の社会的相互作用を捉え,不連結な変動をモデル化する軌道予測フレームワークを提案する。
論文 参考訳（メタデータ） (2023-11-06T02:46:05Z) - Improving Out-of-Distribution Robustness of Classifiers via Generative
Interpolation [56.620403243640396]
ディープニューラルネットワークは、独立かつ同一に分散されたデータ(すなわち、d)から学習する上で、優れたパフォーマンスを達成する。
しかし、アウト・オブ・ディストリビューション(OoD)データを扱う場合、その性能は著しく低下する。
多様なOoDサンプルを合成するために,複数のドメインから学習した生成モデルを融合するための生成補間法(Generative Interpolation)を開発した。
論文 参考訳（メタデータ） (2023-07-23T03:53:53Z) - End-to-End Trajectory Distribution Prediction Based on Occupancy Grid
Maps [29.67295706224478]
本稿では,実世界における移動エージェントの将来の軌跡分布を予測することを目的としている。
我々は、接地構造分布に対する明示的かつシーン順応的な近似として、占有格子マップを用いて対称的クロスエントロピーで分布を学習する。
実験では,Stanford Drone データセットとIntersection Drone データセットの最先端性能を実現する。
論文 参考訳（メタデータ） (2022-03-31T09:24:32Z) - THOMAS: Trajectory Heatmap Output with learned Multi-Agent Sampling [2.424910201171407]
本稿では,高速かつ同時エージェントによる将来のヒートマップ推定のための統一モデルアーキテクチャを提案する。
シーン一貫性のある予測を生成することは、衝突のない軌道の単なる世代を越えている。
我々は、Interaction Multi-agent Prediction Challengeについて報告し、オンラインテストリーダーボードで1st$をランク付けした。
論文 参考訳（メタデータ） (2021-10-13T10:05:47Z) - Personalized Trajectory Prediction via Distribution Discrimination [78.69458579657189]
トラリミー予測は将来の力学のマルチモーダルな性質を捉えるジレンマと対立する。
本研究では,パーソナライズされた動作パターンを予測するDisDisDis(Disdis)手法を提案する。
本手法は,プラグイン・アンド・プレイモジュールとして既存のマルチモーダル予測モデルと統合することができる。
論文 参考訳（メタデータ） (2021-07-29T17:42:12Z) - Diverse Sampling for Normalizing Flow Based Trajectory Forecasting [34.01303881881315]
本研究では,事前学習フローモデルからトラジェクトリサンプルの品質と多様性を向上させるため,DSF(Diversity Smpling for Flow)を提案する。
DSFは実装が容易であり、既存のフローベースの予測モデルに対して、シンプルなプラグインの改善を提供する。
論文 参考訳（メタデータ） (2020-11-30T18:23:29Z) - Haar Wavelet based Block Autoregressive Flows for Trajectories [129.37479472754083]
歩行者等の軌道予測は,自律型エージェントの性能向上に不可欠である。
本稿では分割結合を利用した新しいハールウェーブレットに基づくブロック自己回帰モデルを提案する。
実世界の2つのデータセット上で、多種多様な正確な軌跡を生成するアプローチの利点について説明する。
論文 参考訳（メタデータ） (2020-09-21T13:57:10Z) - 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) - Unsupervised multi-modal Styled Content Generation [61.040392094140245]
UMMGANは、教師なし方式でマルチモーダル分布をモデル化するために設計された新しいアーキテクチャである。
UMMGANはモードとスタイルを効果的に切り離し、生成したコンテンツに対して独立した制御を行うことができることを示す。
論文 参考訳（メタデータ） (2020-01-10T19:36:08Z)
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。