論文の概要: GOHOME: Graph-Oriented Heatmap Output forfuture Motion Estimation

• arxiv url: http://arxiv.org/abs/2109.01827v1
• Date: Sat, 4 Sep 2021 09:34:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-07 16:23:18.636041
• Title: GOHOME: Graph-Oriented Heatmap Output forfuture Motion Estimation
• Title（参考訳）: GOHOME: グラフ指向ヒートマップ出力フォーフューチャ運動推定
• Authors: Thomas Gilles, Stefano Sabatini, Dzmitry Tsishkou, Bogdan Stanciulescu, Fabien Moutarde
• Abstract要約: GOHOMEは、ハイ定義マップとスパースプロジェクションのグラフ表現を利用してヒートマップを生成する手法である。 ヒートマップ出力は、将来可能となるエージェントの位置の制約のない2Dグリッド表現を生成する。 ヒートマップ出力はマルチモーダルアンサンブルを可能にし、1$st$ place MissRate$_6$をベストアンサンブルで15$%以上改善する。
• 参考スコア（独自算出の注目度）: 2.424910201171407
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In this paper, we propose GOHOME, a method leveraging graph representations of the High Definition Map and sparse projections to generate a heatmap output representing the future position probability distribution for a given agent in a traffic scene. This heatmap output yields an unconstrained 2D grid representation of agent future possible locations, allowing inherent multimodality and a measure of the uncertainty of the prediction. Our graph-oriented model avoids the high computation burden of representing the surrounding context as squared images and processing it with classical CNNs, but focuses instead only on the most probable lanes where the agent could end up in the immediate future. GOHOME reaches 3$rd$ on Argoverse Motion Forecasting Benchmark on the MissRate$_6$ metric while achieving significant speed-up and memory burden diminution compared to 1$^{st}$ place method HOME. We also highlight that heatmap output enables multimodal ensembling and improve 1$^{st}$ place MissRate$_6$ by more than 15$\%$ with our best ensemble.
• Abstract（参考訳）: 本稿では,交通現場におけるエージェントの将来の位置確率分布を表すヒートマップ出力を生成するために,ハイ定義マップとスパースプロジェクションのグラフ表現を利用するGOHOMEを提案する。 このヒートマップ出力は、エージェントの将来可能な場所の制約のない2次元グリッド表現をもたらし、固有のマルチモダリティと予測の不確かさの測定を可能にする。 私たちのグラフ指向モデルは、周囲のコンテキストを四角いイメージとして表現し、古典的なcnnで処理するという高い計算負荷を回避します。 GOHOMEは、3$rd$ on Argoverse Motion Forecasting Benchmark on the MissRate$_6$ metric に到達し、1$^{st}$ place method HOMEに比べて、大幅なスピードアップとメモリ負荷の低減を実現している。 また、heatmap出力はマルチモーダル・センスリングを可能にし、1$^{st}$ place$6$を最高のアンサンブルで15$\%$以上改善できることも強調した。

関連論文リスト

• Efficient Masked AutoEncoder for Video Object Counting and A Large-Scale Benchmark [52.339936954958034]
  前景の動的不均衡は、ビデオオブジェクトのカウントにおいて大きな課題である。 本稿では,密度埋め込み型効率的なマスドオートエンコーダカウント(E-MAC)フレームワークを提案する。 また,高効率化のための密度マップから導出した空間適応マスクを提案する。
  論文  参考訳（メタデータ） (2024-11-20T06:08:21Z)
• GoRela: Go Relative for Viewpoint-Invariant Motion Forecasting [121.42898228997538]
  精度や一般化を犠牲にすることなく、全てのエージェントとマップに対して効率的な共有符号化を提案する。 不均一空間グラフにおけるエージェントとマップ要素間の幾何学的関係を表現するために、ペアワイズ相対的な位置符号化を利用する。 我々のデコーダは視点非依存であり、レーングラフ上でエージェント目標を予測し、多様かつコンテキスト対応のマルチモーダル予測を可能にする。
  論文  参考訳（メタデータ） (2022-11-04T16:10:50Z)
• HOME: Heatmap Output for future Motion Estimation [2.424910201171407]
  Homeは、エージェントの将来の位置の確率分布を表す画像出力を用いて、モーション予測問題に対処するフレームワークである。 提案手法をArgoverse Motion Forecasting Benchmarkに適用し,オンラインリーダーボード上で1位を獲得した。
  論文  参考訳（メタデータ） (2021-05-23T16:27:04Z)
• HIH: Towards More Accurate Face Alignment via Heatmap in Heatmap [20.314746254433295]
  ヒートマップ回帰モデルは、顔のランドマークを見つける上で主流になっている。 しかし、ダウンサンプリングによって導入された量子化エラーはどのくらいの影響をもたらしますか? この作業は空白を埋め、私たちは初めて負の利得を定量的に分析します。
  論文  参考訳（メタデータ） (2021-04-07T12:53:37Z)
• LaneRCNN: Distributed Representations for Graph-Centric Motion Forecasting [104.8466438967385]
  LaneRCNNはグラフ中心のモーション予測モデルです。 アクターごとのローカルレーングラフ表現を学び、過去の動きとローカルマップのトポロジをエンコードします。 我々はレーングラフに基づいて出力軌跡をパラメータ化し,よりアメニブルな予測パラメータ化を行う。
  論文  参考訳（メタデータ） (2021-01-17T11:54:49Z)
• Graph-PCNN: Two Stage Human Pose Estimation with Graph Pose Refinement [54.29252286561449]
  グラフPCNNと呼ばれる2段階のグラフベースおよびモデルに依存しないフレームワークを提案する。 第1段階では、粗局化結果を得るために熱マップ回帰ネットワークを適用し、ガイドポイントと呼ばれる一連の提案キーポイントをサンプリングする。 第2段階では、各案内点について、ローカライゼーションにより異なる視覚特徴を抽出する。 ガイドされた点間の関係は、より正確なローカライゼーション結果を得るためにグラフポーズ精製モジュールによって探索される。
  論文  参考訳（メタデータ） (2020-07-21T04:59:15Z)
• Attentive One-Dimensional Heatmap Regression for Facial Landmark Detection and Tracking [73.35078496883125]
  顔のランドマークの局所化のための新しい1次元熱マップ回帰法を提案する。 まず、x座標とy座標の辺分布を表すために、1次元熱マップの2つの群を予測する。 第2に、x と y 座標に存在する固有の空間パターンをモデル化するコアテンション機構が採用されている。 第3に、1次元熱マップ構造に基づいて、画像上のランドマーク検出のための空間パターンを検出する顔ランドマーク検出器を提案する。
  論文  参考訳（メタデータ） (2020-04-05T06:51:22Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。