Fugu-MT 論文翻訳(概要): Grouptron: Dynamic Multi-Scale Graph Convolutional Networks for Group-Aware Dense Crowd Trajectory Forecasting

論文の概要: Grouptron: Dynamic Multi-Scale Graph Convolutional Networks for Group-Aware Dense Crowd Trajectory Forecasting

arxiv url: http://arxiv.org/abs/2109.14128v1
Date: Wed, 29 Sep 2021 01:22:25 GMT
ステータス: 処理完了
システム内更新日: 2021-09-30 14:58:38.554129
Title: Grouptron: Dynamic Multi-Scale Graph Convolutional Networks for Group-Aware Dense Crowd Trajectory Forecasting
Title（参考訳）: Grouptron: Group-Aware Dense Crowd Trajectory Forecastingのための動的マルチスケールグラフ畳み込みネットワーク
Authors: Rui Zhou, Hongyu Zhou, Masayoshi Tomizuka, Jiachen Li, and Zhuo Xu
Abstract要約: Grouptronは、歩行者グループの検出と表現を活用するマルチスケールの動的予測フレームワークである。 ETH/UCYベンチマークデータセットの最先端手法と比較して、最終変位誤差(FDE)は9.3%減少する。
参考スコア（独自算出の注目度）: 30.885838880247263
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurate, long-term forecasting of human pedestrian trajectories in highly dynamic and interactive scenes is a long-standing challenge. Recent advances in using data-driven approaches have achieved significant improvements in terms of prediction accuracy. However, the lack of group-aware analysis has limited the performance of forecasting models. This is especially apparent in highly populated scenes, where pedestrians are moving in groups and the interactions between groups are extremely complex and dynamic. In this paper, we present Grouptron, a multi-scale dynamic forecasting framework that leverages pedestrian group detection and utilizes individual-level, group-level, and scene-level information for better understanding and representation of the scenes. Our approach employs spatio-temporal clustering algorithms to identify pedestrian groups, creates spatio-temporal graphs at the individual, group, and scene levels. It then uses graph neural networks to encode dynamics at different scales and incorporates encoding across different scales for trajectory prediction. We carried out extensive comparisons and ablation experiments to demonstrate the effectiveness of our approach. Our method achieves 9.3% decrease in final displacement error (FDE) compared with state-of-the-art methods on ETH/UCY benchmark datasets, and 16.1% decrease in FDE in more crowded scenes where extensive human group interactions are more frequently present.
Abstract（参考訳）: 高度にダイナミックでインタラクティブなシーンにおける人間の歩行者軌跡の正確かつ長期予測は、長年の課題である。データ駆動アプローチの最近の進歩は、予測精度の面で大幅に改善されている。しかし,グループ認識分析の欠如は予測モデルの性能を制限している。これは、歩行者がグループ内で移動し、グループ間の相互作用が非常に複雑でダイナミックな場面で特に顕著である。本稿では,歩行者グループ検出を活用し,個々のレベル,グループレベル,シーンレベルの情報を活用し,シーンの理解と表現を改善するマルチスケール動的予測フレームワークgrouptronを提案する。本手法は,歩行者群を同定し,個人,グループ,シーンレベルで時空間グラフを作成するために時空間クラスタリングアルゴリズムを用いる。そしてグラフニューラルネットワークを使って、さまざまなスケールのダイナミクスをエンコードし、さまざまなスケールにエンコードして軌道予測を行う。本手法の有効性を実証するために広範囲比較・アブレーション実験を行った。 ETH/UCYベンチマークデータセットの最先端手法と比較して, 最終変位誤差(FDE)は9.3%減少し, より密集した場面では16.1%減少する。

関連論文リスト

TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
論文参考訳（メタデータ） (2024-01-06T06:26:49Z)
Local-Global Information Interaction Debiasing for Dynamic Scene Graph Generation [51.92419880088668]
マルチタスク学習に基づく新しいDynSGGモデルDynSGG-MTLを提案する。長期的人間の行動は、大域的な制約に適合する複数のシーングラフを生成するためにモデルを監督し、尾の述語を学べないモデルを避ける。
論文参考訳（メタデータ） (2023-08-10T01:24:25Z)
The MI-Motion Dataset and Benchmark for 3D Multi-Person Motion Prediction [13.177817435234449]
3D多対人動作予測は、個人行動や人との相互作用をモデル化する難しいタスクである。本稿では,モーションキャプチャシステムによって収集された複数の個体の骨格配列を含むMI-Motionデータセットを提案する。データセットには、人々のスケルトンポーズを対話する167kフレームが含まれており、5つの異なるアクティビティシーンに分類される。
論文参考訳（メタデータ） (2023-06-23T15:38:22Z)
Conditioned Human Trajectory Prediction using Iterative Attention Blocks [70.36888514074022]
本研究では,都市環境における歩行者位置予測を目的とした,簡易かつ効果的な歩行者軌道予測モデルを提案する。我々のモデルは、複数のアテンションブロックとトランスフォーマーを反復的に実行できるニューラルネットワークアーキテクチャである。ソーシャルマスク, 動的モデル, ソーシャルプーリング層, 複雑なグラフのような構造を明示的に導入することなく, SoTAモデルと同等の結果が得られることを示す。
論文参考訳（メタデータ） (2022-06-29T07:49:48Z)
Dynamic-Group-Aware Networks for Multi-Agent Trajectory Prediction with Relational Reasoning [29.294244001911242]
動的グループ認識ネットワークDynGroupNetを提案する。 DynGroupNetをベースとして,動的リレーショナル推論を用いて社会的に妥当な軌道を予測するための予測システムを設計する。
論文参考訳（メタデータ） (2022-06-27T08:36:56Z)
HighlightMe: Detecting Highlights from Human-Centric Videos [52.84233165201391]
我々は,人間中心のビデオからハイライト可能な抜粋を検出するために,ドメインとユーザに依存しないアプローチを提案する。本研究では,時空間グラフ畳み込みを用いたオートエンコーダネットワークを用いて,人間の活動やインタラクションを検出する。我々は,最先端の手法に比べて,人手によるハイライトのマッチングの平均精度が4～12%向上したことを観察した。
論文参考訳（メタデータ） (2021-10-05T01:18:15Z)
SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction [64.16212996247943]
歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
論文参考訳（メタデータ） (2021-04-04T03:17:42Z)
HGCN-GJS: Hierarchical Graph Convolutional Network with Groupwise Joint Sampling for Trajectory Prediction [14.57655217378212]
本研究では,軌道予測のための階層型グラフ畳み込みネットワークHGCN-GJSを提案する。本稿では,複数歩行者の将来の軌道における関節分布をモデル化するための新しい共同サンプリング手法を提案する。我々は,複数の軌道予測データセット上でのネットワークの性能を実証し,検討したすべてのデータセットに対して最先端の結果を得る。
論文参考訳（メタデータ） (2020-09-15T14:51:10Z)
Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
論文参考訳（メタデータ） (2020-06-20T03:29:02Z)
CoMoGCN: Coherent Motion Aware Trajectory Prediction with Graph Representation [12.580809204729583]
グループ制約のある混雑したシーンにおける軌道予測のための,コヒーレントな動き認識グラフ畳み込みネットワーク(CoMoGCN)を提案する。提案手法は,複数のトラジェクトリ予測ベンチマーク上での最先端性能と,検討したすべてのベンチマークの中で最高の平均性能を実現する。
論文参考訳（メタデータ） (2020-05-02T09:10:30Z)

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。