論文の概要: Dual Encoding U-Net for Spatio-Temporal Domain Shift Frame Prediction
- arxiv url: http://arxiv.org/abs/2110.11140v1
- Date: Thu, 21 Oct 2021 13:44:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-22 13:56:43.366247
- Title: Dual Encoding U-Net for Spatio-Temporal Domain Shift Frame Prediction
- Title(参考訳): 時空間シフトフレーム予測のためのデュアル符号化U-Net
- Authors: Jay Santokhi, Dylan Hillier, Yiming Yang, Joned Sarwar, Anna Jordan,
Emil Hewage
- Abstract要約: 本稿では,畳み込みLSTM層間をスキップ接続する新しいアプローチを取り入れた,12層のみを用いた軽量なU-Netを用いたトラフィックフレーム予測手法を提案する。
このアプローチとトレーニングデータの直感的なハンドリングを組み合わせることで、時間と時間の両方のドメインシフトをモデル化できる。
- 参考スコア(独自算出の注目度): 22.60942960215918
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The landscape of city-wide mobility behaviour has altered significantly over
the past 18 months. The ability to make accurate and reliable predictions on
such behaviour has likewise changed drastically with COVID-19 measures
impacting how populations across the world interact with the different facets
of mobility. This raises the question: "How does one use an abundance of
pre-covid mobility data to make predictions on future behaviour in a
present/post-covid environment?" This paper seeks to address this question by
introducing an approach for traffic frame prediction using a lightweight
Dual-Encoding U-Net built using only 12 Convolutional layers that incorporates
a novel approach to skip-connections between Convolutional LSTM layers. This
approach combined with an intuitive handling of training data can model both a
temporal and spatio-temporal domain shift
(gitlab.com/alchera/alchera-traffic4cast-2021).
- Abstract(参考訳): 都市全体の移動行動の景観は過去18ヶ月で大きく変化した。
このような行動に関する正確で信頼性の高い予測を行う能力も、世界中の人々がモビリティのさまざまな側面とどのように相互作用するかに影響を与える新型コロナウイルス対策によって大きく変化している。
これは「現在/後の環境における将来の行動を予測するために、多くの事前共有モビリティデータをどのように利用するのか?
本稿では、畳み込みLSTM層間をスキップ接続する新しいアプローチを取り入れた、12の畳み込み層のみを用いて構築された軽量デュアルエンコードU-Netを用いたトラフィックフレーム予測手法を提案する。
このアプローチとトレーニングデータの直感的な処理を組み合わせることで、時間的および時空間的なドメインシフト(gitlab.com/alchera/alchera-traffic4cast-2021)をモデル化できる。
関連論文リスト
- Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series
Forecasting Approach [71.67506068703314]
長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。
伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。
本研究では,都市におけるモビリティ予測の新たな視点について紹介する。
都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
論文 参考訳(メタデータ) (2023-12-04T07:39:05Z) - Graph-Based Interaction-Aware Multimodal 2D Vehicle Trajectory
Prediction using Diffusion Graph Convolutional Networks [17.989423104706397]
本研究では,グラフに基づく対話型多モード軌道予測フレームワークを提案する。
このフレームワーク内では、車両の動きは時間変化グラフのノードとして概念化され、交通相互作用は動的隣接行列によって表現される。
我々は、意図特異的な特徴融合を採用し、歴史的および将来の埋め込みの適応的な統合を可能にする。
論文 参考訳(メタデータ) (2023-09-05T06:28:13Z) - D2-TPred: Discontinuous Dependency for Trajectory Prediction under
Traffic Lights [68.76631399516823]
本稿では,空間的動的相互作用グラフ(SDG)と行動依存グラフ(BDG)を用いて,交通信号に対する軌道予測手法D2-TPredを提案する。
実験の結果,VTP-TLではADEとFDEでそれぞれ20.45%,20.78%以上を達成できた。
論文 参考訳(メタデータ) (2022-07-21T10:19:07Z) - Joint Spatial-Temporal and Appearance Modeling with Transformer for
Multiple Object Tracking [59.79252390626194]
本稿ではTransSTAMという新しい手法を提案する。Transformerを利用して各オブジェクトの外観特徴とオブジェクト間の空間的時間的関係の両方をモデル化する。
提案手法はMOT16, MOT17, MOT20を含む複数の公開ベンチマークで評価され, IDF1とHOTAの両方で明確な性能向上を実現している。
論文 参考訳(メタデータ) (2022-05-31T01:19:18Z) - A spatial-temporal short-term traffic flow prediction model based on
dynamical-learning graph convolution mechanism [0.0]
短期的な交通流予測は知的交通システム(ITS)の重要な分岐であり、交通管理において重要な役割を果たしている。
グラフ畳み込みネットワーク(GCN)は道路網のグラフィカルな構造データを扱うために交通予測モデルで広く利用されている。
この欠点に対処するために、新しい位置グラフ畳み込みネットワーク(Location-GCN)を提案する。
論文 参考訳(メタデータ) (2022-05-10T09:19:12Z) - Real-time Object Detection for Streaming Perception [84.2559631820007]
ストリーミング知覚は,ビデオオンライン知覚の1つの指標として,レイテンシと精度を共同評価するために提案される。
ストリーミング知覚のためのシンプルで効果的なフレームワークを構築します。
提案手法はArgoverse-HDデータセット上での競合性能を実現し,強力なベースラインに比べてAPを4.9%向上させる。
論文 参考訳(メタデータ) (2022-03-23T11:33:27Z) - Semantics-STGCNN: A Semantics-guided Spatial-Temporal Graph
Convolutional Network for Multi-class Trajectory Prediction [9.238700679836855]
グラフ畳み込みニューラルネットワークにクラス情報を導入し、個人の軌道をより正確に予測する。
AADE(Average2 Displacement Error)とaFDE(Average Final Deplacement Error)と呼ばれる新しいメトリクスを提案する。
既存のメトリクスや新しく提案されたメトリクスの最先端よりも、一貫して優れたパフォーマンスを示している。
論文 参考訳(メタデータ) (2021-08-10T15:02:50Z) - Temporal Autoencoder with U-Net Style Skip-Connections for Frame
Prediction [0.20999222360659608]
本稿では、コナールLSTMを用いてU-Netスタイルのスキップ接続を備えたテンポラルオートエンコーダを作成するトラフィックフレーム予測手法について述べる。
サイクル学習率の活用も紹介され、標準的なアプローチよりも少ないエポックで損失スコアを低くすることで、トレーニング効率を向上させる。
論文 参考訳(メタデータ) (2020-11-25T11:41:36Z) - 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) - Implicit Latent Variable Model for Scene-Consistent Motion Forecasting [78.74510891099395]
本稿では,センサデータから直接複雑な都市交通のシーン一貫性のある動き予測を学習することを目的とする。
我々は、シーンを相互作用グラフとしてモデル化し、強力なグラフニューラルネットワークを用いてシーンの分散潜在表現を学習する。
論文 参考訳(メタデータ) (2020-07-23T14:31:25Z) - AMENet: Attentive Maps Encoder Network for Trajectory Prediction [35.22312783822563]
軌道予測は、安全な将来の動きを計画するための応用に不可欠である。
我々は Attentive Maps Network (AMENet) というエンドツーエンド生成モデルを提案する。
AMENetはエージェントの動作と相互作用情報をエンコードし、高精度でリアルなマルチパス軌道予測を行う。
論文 参考訳(メタデータ) (2020-06-15T10:00:07Z)
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。